迁移学习综述：A Survey on Transfer Learning

在会议上听一位老师介绍得一篇比较权威的迁移学习综述，
https://arxiv.org/pdf/1808.01974.pdf
文章中总结了目前迁移学习的四种方法：
1，直接对源域数据集进行迁移，给源域数据集加上适当的权重与目标域数据集共同训练样本。
2，将源域和目标域数据集共同映射到同一个数据空间，对新数据空间中的数据进行训练，提到了TCA和MMC两个概念目前还不懂需要深入了解。（
参考文献中关于如何哪些网络结构适合迁移的文献，需要读一读：
Yosinski, J., Clune, J., Bengio, Y., Lipson, H.: How transferable are features in deep neural networks? In: Advances in neural information processing systems. pp.）
3，直接对网络架构进行迁移，就是finetune训练好的模型，因为网络前面层提取的特征往往是通用的。
4，利用GAN的思想进行对抗迁移学习，加鉴别器对不同域的特征进行鉴别，促使网络学习到更加通用的特征。