49、迁移学习：领域自适应与少样本学习

迁移学习：领域自适应与少样本学习

1. 领域自适应在情感分类和语音识别中的应用

1.1 情感分类中的领域自适应

在情感分类领域，不同学者提出了多种有效的领域自适应方法：
- 双向转移深度神经网络 ：Zhou 等人使用一种新颖的双向转移深度神经网络，将源示例转移到目标域，反之亦然，在情感分类中取得了接近最先进水平的结果。
- 关键词映射与对抗训练 ：Zhang 等人利用关键词在源域和目标域之间的映射，并将其应用于对抗训练，用于分类任务中的领域自适应。
- 枢轴特征与自编码器 ：Ziser 和 Reichart 展示了枢轴特征（源域和目标域中都存在的共同特征）与自编码器如何学习对情感分类领域自适应非常有效的表示。他们还进一步将研究扩展到基于枢轴的语言模型，以结构感知的方式应用于各种分类和序列到序列任务，以提高结果。
- 多方法结合 ：Yu 和 Ziang 结合了结构对应学习、基于枢轴的特征和联合任务学习的思想，实现了情感分类中的有效领域自适应。

1.2 语音识别中的领域自适应

1.2.1 基于深度神经网络和质量估计的方法

Falavigna 等人展示了如何使用深度神经网络和自动质量估计（QE）进行领域自适应。他们采用两步过程：
1. 使用手动标记的转录本评估不同质量数据的字错误率（WER）。
2. 根据 QE 组件的 WER 分数对未见数据进行自适应调整，显著提高了性能。

1.2.2 基于 CycleG