推薦序
譯者序
前　言
第一部分　遷移學習的基礎(chǔ)
第1章　緒論/2
1.1　人工智能、機器學習以及遷移學習/2
1.2　遷移學習：定義/6
1.3　與已有機器學習范式的關(guān)系/9
1.4　遷移學習的基礎(chǔ)研究問題/11
1.5　遷移學習應用/11
　1.5.1　圖像理解/11
　1.5.2　生物信息學和生物成像/12
　1.5.3　推薦系統(tǒng)和協(xié)同過濾/12
　1.5.4　機器人和汽車自動駕駛/13
　1.5.5　自然語言處理和文本挖掘/13
1.6　歷史筆記/14
1.7　關(guān)于本書/15
第2章　基于樣本的遷移學習/19
2.1　引言/19
2.2　基于樣本的非歸納式遷移學習/20
　2.2.1　判別區(qū)分源數(shù)據(jù)和目標數(shù)據(jù)/22
　2.2.2　核平均匹配/23
　2.2.3　函數(shù)估計/23
2.3　基于樣本的歸納式遷移學習/24
　2.3.1　集成源損失與目標損失/24
　2.3.2　Boosting風格的方法/26
　2.3.3　樣本生成方法/27
第3章　基于特征的遷移學習/29
3.1　引言/29
3.2　最小化域間差異/30
　3.2.1　最大均值差異/30
　3.2.2　基于Bregman散度的正則化/34
　3.2.3　使用特定分布假設的度量/34
　3.2.4　數(shù)據(jù)依賴的域差異度量/35
3.3　學習通用特征/36
　3.3.1　學習通用編碼/36
　3.3.2　深度通用特征/37
3.4　特征增強/38
第4章　基于模型的遷移學習/40
4.1　引言/40
4.2　基于共享模型成分的遷移學習/42
　4.2.1　利用高斯過程的遷移學習/42
　4.2.2　利用貝葉斯模型的知識遷移/43
　4.2.3　利用深度模型的模型遷移/44
　4.2.4　其他方法/45
4.3　基于正則化的遷移/45
　4.3.1　基于支持向量機的正則化/46
　4.3.2　基于多核學習的遷移學習/47
　4.3.3　深度模型中的微調(diào)方法/48
第5章　基于關(guān)系的遷移學習/52
5.1　引言/52
5.2　馬爾可夫邏輯網(wǎng)絡/54
5.3　利用馬爾可夫網(wǎng)絡的基于關(guān)系的遷移學習/55
　5.3.1　通過一階邏輯的淺層遷移/55
　5.3.2　通過二階邏輯的深度遷移/57
　5.3.3　通過結(jié)構(gòu)類比的遷移學習/59
第6章　異構(gòu)遷移學習/61
6.1　引言/61
6.2　異構(gòu)遷移學習問題/63
6.3　方法/63
　6.3.1　異構(gòu)特征空間/64
　6.3.2　異構(gòu)標簽空間/78
6.4　應用/79
第7章　對抗式遷移學習/82
7.1　引言/82
7.2　生成對抗網(wǎng)絡/83
7.3　采用對抗式模型的遷移學習/86
　7.3.1　生成目標域數(shù)據(jù)/87
　7.3.2　通過對抗式學習來學習域不變特征/89
7.4　討論/91
第8章　強化學習中的遷移學習/92
8.1　引言/92
8.2　背景/93
　8.2.1　強化學習/94
　8.2.2　強化學習任務中的遷移學習/95
　8.2.3　遷移學習在強化學習中的目標/96
　8.2.4　遷移強化學習分類/98
8.3　任務間遷移學習/99
　8.3.1　基于樣本的遷移/99
　8.3.2　基于特征的遷移/100
　8.3.3　基于模型的遷移/103
　8.3.4　解決“遷移時機”問題/105
8.4　域間遷移學習/105
　8.4.1　基于樣本的遷移/106
　8.4.2　基于特征的遷移/107
　8.4.3　基于模型的遷移/108
第9章　多任務學習/109
9.1　引言/109
9.2　定義/111
9.3　多任務監(jiān)督學習/111
　9.3.1　基于特征的多任務監(jiān)督學習/112
　9.3.2　基于模型的多任務監(jiān)督學習/114
　9.3.3　基于樣本的多任務監(jiān)督學習/120
9.4　多任務無監(jiān)督學習/120
9.5　多任務半監(jiān)督學習/120
9.6　多任務主動學習/121
9.7　多任務強化學習/121
9.8　多任務在線學習/121
9.9　多任務多視圖學習/122
9.10　并行與分布式多任務學習/122
第10章　遷移學習理論/123
10.1　引言/123
10.2　多任務學習的泛化界/124
10.3　監(jiān)督遷移學習的泛化界/127
10.4　無監(jiān)督遷移學習的泛化界/129
第11章　傳導式遷移學習/131
11.1　引言/131
11.2　混合圖上的傳導式遷移學習/133
　11.2.1　問題定義/134
　11.2.2　混合遷移算法/135
11.3　基于隱性特征表示的傳導式遷移學習/137
　11.3.1　問題定義/137
　11.3.2　耦合的矩陣三因子分解算法/138
11.4　基于深度神經(jīng)網(wǎng)絡的傳導式遷移學習/141
　11.4.1　問題定義/141
　11.4.2　選擇學習算法/142
第12章　自動遷移學習：學習如何自動遷移/146
12.1　引言/146
12.2　L2T框架/147
12.3　參數(shù)化“遷移什么”/148
　12.3.1　基于公共隱空間的算法/149
　12.3.2　基于流形集成的算法/149
12.4　從經(jīng)驗中學習/149
　12.4.1　源域和目標域之間的差異/149
　12.4.2　目標域判別能力/151
　12.4.3　優(yōu)化問題/151
12.5　推斷“遷移什么”/151
12.6　與其他學習范式的聯(lián)系/152
　12.6.1　遷移學習/152
　12.6.2　多任務學習/153
　12.6.3　終身機器學習/153
　12.6.4　自動化機器學習/153
第13章　小樣本學習/155
13.1　引言/155
13.2　零樣本學習/156
　13.2.1　概述/156
　13.2.2　零樣本學習算法/157
13.3　單樣本學習/161
　13.3.1　概述/161
　13.3.2　單樣本學習算法/161
13.4　貝葉斯規(guī)劃學習/163
　13.4.1　概述/163
　13.4.2　用于識別字符筆畫的貝葉斯規(guī)劃學習/163
13.5　短缺資源學習/166
　13.5.1　概述/166
　13.5.2　機器翻譯/166
13.6　域泛化/168
　13.6.1　概述/168
　13.6.2　偏差SVM/169
　13.6.3　多任務自動編碼器/169
第14章　終身機器學習/171
14.1　引言/171
14.2　終身機器學習：定義/172
14.3　通過不變的知識進行終身機器學習/173
14.4　情感分類中的終身機器學習/174
14.5　共享模型組件用于多任務學習/177
14.6　永無止境的語言學習/178
第二部分　遷移學習的應用
第15章　隱私保護的遷移學習/184
15.1　引言/184
15.2　差分隱私/185
　15.2.1　定義/185
　15.2.2　隱私保護的正則化經(jīng)驗風險最小化/186
15.3　隱私保護的遷移學習/188
　15.3.1　問題設置/188
　15.3.2　目標提升/188
　15.3.3　多方學習/191
　15.3.4　多任務學習/193
第16章　計算機視覺中的遷移學習/194
16.1　引言/194
16.2　概述/195
　16.2.1　淺層遷移學習模型/195
　16.2.2　深度遷移學習模型/199
　16.2.3　遷移學習用于其他視覺任務/200
16.3　遷移學習用于醫(yī)學圖像分析/201
　16.3.1　醫(yī)學圖像分類/201
　16.3.2　醫(yī)學圖像異常檢測/203
　16.3.3　醫(yī)學圖像分割/204
第17章　自然語言處理中的遷移學習/205
17.1　引言/205
17.2　NLP中的遷移學習/205
　17.2.1　問題設置/206
　17.2.2　NLP應用中的參數(shù)初始化/206
　17.2.3　NLP應用中的多任務學習/207
17.3　情感分析中的遷移學習/212
　17.3.1　問題定義和符號/214
　17.3.2　淺模型/214
　17.3.3　基于深度學習的方法/217
第18章　對話系統(tǒng)中的遷移學習/226
18.1　引言/226
18.2　問題形式化定義/228
18.3　口語理解中的遷移學習/228
　18.3.1　問題定義/229
　18.3.2　模型適配/229
　18.3.3　基于樣本的遷移/229
　18.3.4　參數(shù)遷移/230
18.4　對話狀態(tài)跟蹤中的遷移學習/231
　18.4.1　基于特征的多領(lǐng)域?qū)υ挔顟B(tài)跟蹤/231
　18.4.2　基于模型的多領(lǐng)域?qū)υ挔顟B(tài)跟蹤/231
18.5　對話策略學習中的遷移學習/232
　18.5.1　針對Q學習的遷移線性模型/233
　18.5.2　針對Q學習的遷移高斯過程/233
　18.5.3　針對Q學習的遷移貝葉斯委員會機器/235
18.6　自然語言生成中的遷移學習/236
　18.6.1　自然語言生成中的模型微調(diào)/237
　18.6.2　自然語言生成中的課程學習/237
　18.6.3　自然語言生成中的樣本合成/237
18.7　端到端對話系統(tǒng)中的遷移學習/238
　18.7.1　完全參數(shù)微調(diào)/239
　18.7.2　部分參數(shù)共享/239
第19章　推薦系統(tǒng)中的遷移學習/247
19.1　引言/247
19.2　在推薦中遷移什么/248
　19.2.1　推薦系統(tǒng)中基于樣本的遷移學習方法/248
　19.2.2　推薦系統(tǒng)中基于特征的遷移學習方法/249
　19.2.3　推薦系統(tǒng)中基于模型的遷移學習方法/251
19.3　新聞推薦/252
　19.3.1　問題定義/253
　19.3.2　挑戰(zhàn)和解決方案/254
　19.3.3　解決方案：基于鄰域的遷移學習/254
19.4　社交網(wǎng)絡中的VIP推薦/255
　19.4.1　問題定義/256
　19.4.2　挑戰(zhàn)和解決方案/257
　19.4.3　解決方案：基于社交關(guān)系的遷移/258
第20章　生物信息學中的遷移學習/260
20.1　引言/260
20.2　生物信息學中的機器學習問題/261
20.3　生物序列分析/262
20.4　基因表達分析和遺傳分析/265
20.5　系統(tǒng)生物學/266
20.6　生物醫(yī)學文本和圖像挖掘/268
20.7　基于深度學習的生物信息學/268
　20.7.1　深度神經(jīng)追蹤/268
　20.7.2　生物信息學中的深度遷移學習/272
第21章　行為識別中的遷移學習/273
21.1　引言/273
21.2　針對無線定位的遷移學習/273
　21.2.1　依賴于環(huán)境的數(shù)據(jù)稀疏性挑戰(zhàn)/274
　21.2.2　基于特征的遷移學習用于定位/276
　21.2.3　基于樣本的遷移學習用于定位/278
　21.2.4　基于模型的遷移學習用于定位/280
21.3　針對行為識別的遷移學習/282
　21.3.1　背景/282
　21.3.2　問題設置/284
　21.3.3　跨特征空間的遷移/285
　21.3.4　跨標簽空間的遷移/287
第22章　城市計算中的遷移學習/289
22.1　引言/289
22.2　城市計算中的“遷移什么”/290
22.3　城市計算中遷移學習的關(guān)鍵問題/291
22.4　連鎖店推薦/292
　22.4.1　問題設置/292
　22.4.2　CityTransfer模型/293
22.5　空氣質(zhì)量預測/295
　22.5.1　問題設置/295
　22.5.2　FLORAL模型/296
第23章　結(jié)束語/297
參考文獻/299
名詞中英文對照/341