Transfer-Learning-map

神经网络迁移学习

• 对抗迁移

  • Partial Transfer Learning with Selective Adversarial Networks
    • 分类：基于样本的迁移学习方法；解决的是在源域的标签空间包含目标域的标签空间情况下，迁移学习的问题，其中目标域无标记数据，源域中有大量的标记数据。
    • 方法:利用gan的判别器来选择与目标域样本相近的源域实现迁移
    • 数据：
      1. 网络架构：G_f特征提取（feature extractor）和 G_y标签预测（label predictor）.其中G_y包含判别器D
      2. 流程：源域和目标域的数据经过cnn网络提取特征，判别器该特征是否属于源域还是目标域，与此同时G_y预测数据的标签。
      3. loss：使得源域分类器错误最小；子判别器对每个类别要判别出该特征是属于源域还是目标域；为了减小子判别器对于样本的依赖所以减小目标域的熵
    • 训练：通过最小化Loss求出特征提取和标签预测的参数；通过最大化Loss学习判别器的参数
    • 论文地址
    • 代码
  • Importance Weighted Adversarial Nets for Partial Domain Adaptation
    • 分类：基于样本的迁移学习方法；解决的是在源域的标签空间包含目标域的标签空间情况下，迁移学习的问题，其中目标域无标记数据，源域中有大量的标记数据。
    • 方法：用两个判别器，一个计算权重，一个优化目标域分类器，解决迁移学习中的域漂移
    • 数据：
      1. 首先训练源域分类器：F_s,C.其后的训练源域特征提取器都固定住。
      2. 同时优化领域判别器D,D_0和目标域特征提取器F_t。其中用源域训练好的特征提取器F_s初始化F_t
         1. ) 通过固定住的F_s和当前的F_t得到重要权重w
         2. ) D_0,F_t通过极小极大化博弈学习参数，通过熵最小化学习目标域分类器
    • 论文地址

• 深度迁移

  • GLoMo: Unsupervisedly Learned Relational Graphs as Transferable Representations
    • 分类：无监督迁移学习。（源域和目标域都没有标签）；学习一种结构（特征之间的关联矩阵）将它应用到即将要迁移的任务中。
    • 方法：用无监督的网络提取特征，并学习特征之间的关系，将这部分知识迁移到另一个任务中。
    • 数据：：
      1. 图预测器（graph predictor）:输入x，输出图的集合G=f(x) 给定一个x，经过两个CNN网络（key CNN 和 query CNN）提取特征。 key CNN的每一层都输出一列特征(k_1,k_2,...,k_T),query CNN同理输出(q_1,q_2,...,q_T).计算该层特征之间的相关性，输出该层的关联矩阵。
      2. 特征预测（feature predictor）f:输入x和关联矩阵G，输出每一层的特征，最后一层的特征见下一节。每一层的特征都是通过上一层的特征和该层的图G计算的。其中第一层仅给出x。
      3. objective function:通过2，得到最终的特征F，将最后一层的特征f_L输入到RNN的decoder中，预测出x_t。
      4. loss：在objective function上，最大化条件概率分布。 在无监督学习阶段，特征预测器和图形预测器被一起训练以执行上下文预测。在迁移阶段，图形预测器被冻结并用于提取下游任务的图形。RNN 解码器应用于特征预测器中的所有位置，但是简单起见，我们仅指出了位置「A」处的一个。「Select one」表示图形可以迁移到下游任务模型中的任何层。「FF」指前馈网络。图形预测器输出的图用作「weighted sum」操作中的权重
    • 论文地址