10、低秩迁移子空间学习：原理与实践

低秩迁移子空间学习：原理与实践

1. 引言

在机器学习领域，迁移学习旨在将一个或多个源领域的知识迁移到目标领域，以提升目标领域的学习性能。然而，源领域和目标领域的数据往往存在显著差异，这给知识迁移带来了挑战。本文将介绍一种基于低秩约束的迁移子空间学习方法，该方法能够有效处理源领域和目标领域数据的差异，实现更准确的知识迁移。

2. 相关工作

2.1 迁移学习分类

传统的迁移学习分类方法基于领域和任务的属性，可分为归纳式迁移学习和直推式迁移学习：
- 归纳式迁移学习 ：考虑相同的数据领域，但不同的任务。根据源领域和目标领域标签信息的可用性，又可分为有监督多任务学习和自学习。
- 直推式迁移学习 ：通过操纵源领域的分布或特征表示来转换源领域，任务领域保持相同。其中，领域适应是直推式迁移学习的一个重要应用场景。

源领域标签情况	相同任务	不同任务
无标签	无监督迁移学习	-
有标签	领域适应	多任务学习、自学习

2.2 领域适应

领域适应在实际应用中具有重要价值，例如在目标识别