2、异构迁移学习方法概述

异构迁移学习方法概述

迁移学习可分为同质和异构两种设置，本文主要聚焦于异构迁移学习。异构迁移学习在处理不同特征空间的数据时具有重要意义，下面将详细介绍其相关内容。

1. 异构迁移学习的定义与分类

迁移学习根据任务和特征空间可分为同质和异构两种情况：
- 同质迁移学习：源任务和目标任务不同，但源和目标特征输入空间相同。
- 异构迁移学习：源任务和目标任务相同，但源和目标特征空间不同。异构迁移学习又包含两种情况：
- 源和目标域之间的特征空间不同，即 $\chi_S \neq \chi_T$。
- 源和目标域之间的特征空间相同，但输入数据的边际概率分布不同，即 $P(X_S) \neq P(X_T)$。

异构迁移学习根据迁移的内容可分为两类：
- 基于实例的迁移学习：假设源域中的部分数据可在目标域学习中复用，主要方法有实例重加权和重要性采样。
- 基于特征的迁移学习：旨在为目标域学习或找到满意的特征表示。本文后续主要关注基于特征的方法。

2. 数据特征转换方式

在基于特征的层面上，有两种数据转换方式：
- 对称转换 ：将源和目标特征空间转换为一个共同的潜在特征空间，以统一各域的输入空间，如图 2a 所示。
- 非对称转换 ：将源特征空间转换为目标特征空间，或反之，如图 2b 所示。

<

转换方式	描述