推薦序
譯者序
前　言
第一部分　遷移學(xué)習(xí)的基礎(chǔ)
第1章　緒論/2
1.1　人工智能、機(jī)器學(xué)習(xí)以及遷移學(xué)習(xí)/2
1.2　遷移學(xué)習(xí)：定義/6
1.3　與已有機(jī)器學(xué)習(xí)范式的關(guān)系/9
1.4　遷移學(xué)習(xí)的基礎(chǔ)研究問題/11
1.5　遷移學(xué)習(xí)應(yīng)用/11
　1.5.1　圖像理解/11
　1.5.2　生物信息學(xué)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(jī)器人和汽車自動(dòng)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(xué)習(xí)/19
2.1　引言/19
2.2　基于樣本的非歸納式遷移學(xué)習(xí)/20
　2.2.1　判別區(qū)分源數(shù)據(jù)和目標(biāo)數(shù)據(jù)/22
　2.2.2　核平均匹配/23
　2.2.3　函數(shù)估計(jì)/23
2.3　基于樣本的歸納式遷移學(xué)習(xí)/24
　2.3.1　集成源損失與目標(biāo)損失/24
　2.3.2　Boosting風(fēng)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(xué)習(xí)/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(shè)的度量/34
　3.2.4　數(shù)據(jù)依賴的域差異度量/35
3.3　學(xué)習(xí)通用特征/36
　3.3.1　學(xué)習(xí)通用編碼/36
　3.3.2　深度通用特征/37
3.4　特征增強(qiáng)/38
第4章　基于模型的遷移學(xué)習(xí)/40
4.1　引言/40
4.2　基于共享模型成分的遷移學(xué)習(xí)/42
　4.2.1　利用高斯過程的遷移學(xué)習(xí)/42
　4.2.2　利用貝葉斯模型的知識(shí)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(jī)的正則化/46
　4.3.2　基于多核學(xué)習(xí)的遷移學(xué)習(xí)/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(xué)習(xí)/52
5.1　引言/52
5.2　馬爾可夫邏輯網(wǎng)絡(luò)/54
5.3　利用馬爾可夫網(wǎng)絡(luò)的基于關(guān)系的遷移學(xué)習(xí)/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(xué)習(xí)/59
第6章　異構(gòu)遷移學(xué)習(xí)/61
6.1　引言/61
6.2　異構(gòu)遷移學(xué)習(xí)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(biāo)簽空間/78
6.4　應(yīng)用/79
第7章　對(duì)抗式遷移學(xué)習(xí)/82
7.1　引言/82
7.2　生成對(duì)抗網(wǎng)絡(luò)/83
7.3　采用對(duì)抗式模型的遷移學(xué)習(xí)/86
　7.3.1　生成目標(biāo)域數(shù)據(jù)/87
　7.3.2　通過對(duì)抗式學(xué)習(xí)來學(xué)習(xí)域不變特征/89
7.4　討論/91
第8章　強(qiáng)化學(xué)習(xí)中的遷移學(xué)習(xí)/92
8.1　引言/92
8.2　背景/93
　8.2.1　強(qiáng)化學(xué)習(xí)/94
　8.2.2　強(qiáng)化學(xué)習(xí)任務(wù)中的遷移學(xué)習(xí)/95
　8.2.3　遷移學(xué)習(xí)在強(qiáng)化學(xué)習(xí)中的目標(biāo)/96
　8.2.4　遷移強(qiáng)化學(xué)習(xí)分類/98
8.3　任務(wù)間遷移學(xué)習(xí)/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(shí)機(jī)”問題/105
8.4　域間遷移學(xué)習(xí)/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(wù)學(xué)習(xí)/109
9.1　引言/109
9.2　定義/111
9.3　多任務(wù)監(jiān)督學(xué)習(xí)/111
　9.3.1　基于特征的多任務(wù)監(jiān)督學(xué)習(xí)/112
　9.3.2　基于模型的多任務(wù)監(jiān)督學(xué)習(xí)/114
　9.3.3　基于樣本的多任務(wù)監(jiān)督學(xué)習(xí)/120
9.4　多任務(wù)無監(jiān)督學(xué)習(xí)/120
9.5　多任務(wù)半監(jiān)督學(xué)習(xí)/120
9.6　多任務(wù)主動(dòng)學(xué)習(xí)/121
9.7　多任務(wù)強(qiáng)化學(xué)習(xí)/121
9.8　多任務(wù)在線學(xué)習(xí)/121
9.9　多任務(wù)多視圖學(xué)習(xí)/122
9.10　并行與分布式多任務(wù)學(xué)習(xí)/122
第10章　遷移學(xué)習(xí)理論/123
10.1　引言/123
10.2　多任務(wù)學(xué)習(xí)的泛化界/124
10.3　監(jiān)督遷移學(xué)習(xí)的泛化界/127
10.4　無監(jiān)督遷移學(xué)習(xí)的泛化界/129
第11章　傳導(dǎo)式遷移學(xué)習(xí)/131
11.1　引言/131
11.2　混合圖上的傳導(dǎo)式遷移學(xué)習(xí)/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(dǎo)式遷移學(xué)習(xí)/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(luò)的傳導(dǎo)式遷移學(xué)習(xí)/141
　11.4.1　問題定義/141
　11.4.2　選擇學(xué)習(xí)算法/142
第12章　自動(dòng)遷移學(xué)習(xí)：學(xué)習(xí)如何自動(dòng)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(yàn)中學(xué)習(xí)/149
　12.4.1　源域和目標(biāo)域之間的差異/149
　12.4.2　目標(biāo)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(xué)習(xí)范式的聯(lián)系/152
　12.6.1　遷移學(xué)習(xí)/152
　12.6.2　多任務(wù)學(xué)習(xí)/153
　12.6.3　終身機(jī)器學(xué)習(xí)/153
　12.6.4　自動(dòng)化機(jī)器學(xué)習(xí)/153
第13章　小樣本學(xué)習(xí)/155
13.1　引言/155
13.2　零樣本學(xué)習(xí)/156
　13.2.1　概述/156
　13.2.2　零樣本學(xué)習(xí)算法/157
13.3　單樣本學(xué)習(xí)/161
　13.3.1　概述/161
　13.3.2　單樣本學(xué)習(xí)算法/161
13.4　貝葉斯規(guī)劃學(xué)習(xí)/163
　13.4.1　概述/163
　13.4.2　用于識(shí)別字符筆畫的貝葉斯規(guī)劃學(xué)習(xí)/163
13.5　短缺資源學(xué)習(xí)/166
　13.5.1　概述/166
　13.5.2　機(jī)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(wù)自動(dòng)編碼器/169
第14章　終身機(jī)器學(xué)習(xí)/171
14.1　引言/171
14.2　終身機(jī)器學(xué)習(xí)：定義/172
14.3　通過不變的知識(shí)進(jìn)行終身機(jī)器學(xué)習(xí)/173
14.4　情感分類中的終身機(jī)器學(xué)習(xí)/174
14.5　共享模型組件用于多任務(wù)學(xué)習(xí)/177
14.6　永無止境的語言學(xué)習(xí)/178
第二部分　遷移學(xué)習(xí)的應(yīng)用
第15章　隱私保護(hù)的遷移學(xué)習(xí)/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(hù)的正則化經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化/186
15.3　隱私保護(hù)的遷移學(xué)習(xí)/188
　15.3.1　問題設(shè)置/188
　15.3.2　目標(biāo)提升/188
　15.3.3　多方學(xué)習(xí)/191
　15.3.4　多任務(wù)學(xué)習(xí)/193
第16章　計(jì)算機(jī)視覺中的遷移學(xué)習(xí)/194
16.1　引言/194
16.2　概述/195
　16.2.1　淺層遷移學(xué)習(xí)模型/195
　16.2.2　深度遷移學(xué)習(xí)模型/199
　16.2.3　遷移學(xué)習(xí)用于其他視覺任務(wù)/200
16.3　遷移學(xué)習(xí)用于醫(yī)學(xué)圖像分析/201
　16.3.1　醫(yī)學(xué)圖像分類/201
　16.3.2　醫(yī)學(xué)圖像異常檢測/203
　16.3.3　醫(yī)學(xué)圖像分割/204
第17章　自然語言處理中的遷移學(xué)習(xí)/205
17.1　引言/205
17.2　NLP中的遷移學(xué)習(xí)/205
　17.2.1　問題設(shè)置/206
　17.2.2　NLP應(yīng)用中的參數(shù)初始化/206
　17.2.3　NLP應(yīng)用中的多任務(wù)學(xué)習(xí)/207
17.3　情感分析中的遷移學(xué)習(xí)/212
　17.3.1　問題定義和符號(hào)/214
　17.3.2　淺模型/214
　17.3.3　基于深度學(xué)習(xí)的方法/217
第18章　對(duì)話系統(tǒng)中的遷移學(xué)習(xí)/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(xué)習(xí)/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(duì)話狀態(tài)跟蹤中的遷移學(xué)習(xí)/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(duì)話策略學(xué)習(xí)中的遷移學(xué)習(xí)/232
　18.5.1　針對(duì)Q學(xué)習(xí)的遷移線性模型/233
　18.5.2　針對(duì)Q學(xué)習(xí)的遷移高斯過程/233
　18.5.3　針對(duì)Q學(xué)習(xí)的遷移貝葉斯委員會(huì)機(jī)器/235
18.6　自然語言生成中的遷移學(xué)習(xí)/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(xué)習(xí)/237
　18.6.3　自然語言生成中的樣本合成/237
18.7　端到端對(duì)話系統(tǒng)中的遷移學(xué)習(xí)/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(xué)習(xí)/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(xué)習(xí)方法/248
　19.2.2　推薦系統(tǒng)中基于特征的遷移學(xué)習(xí)方法/249
　19.2.3　推薦系統(tǒng)中基于模型的遷移學(xué)習(xí)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(xué)習(xí)/254
19.4　社交網(wǎng)絡(luò)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(xué)中的遷移學(xué)習(xí)/260
20.1　引言/260
20.2　生物信息學(xué)中的機(jī)器學(xué)習(xí)問題/261
20.3　生物序列分析/262
20.4　基因表達(dá)分析和遺傳分析/265
20.5　系統(tǒng)生物學(xué)/266
20.6　生物醫(yī)學(xué)文本和圖像挖掘/268
20.7　基于深度學(xué)習(xí)的生物信息學(xué)/268
　20.7.1　深度神經(jīng)追蹤/268
　20.7.2　生物信息學(xué)中的深度遷移學(xué)習(xí)/272
第21章　行為識(shí)別中的遷移學(xué)習(xí)/273
21.1　引言/273
21.2　針對(duì)無線定位的遷移學(xué)習(xí)/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(xué)習(xí)用于定位/276
　21.2.3　基于樣本的遷移學(xué)習(xí)用于定位/278
　21.2.4　基于模型的遷移學(xué)習(xí)用于定位/280
21.3　針對(duì)行為識(shí)別的遷移學(xué)習(xí)/282
　21.3.1　背景/282
　21.3.2　問題設(shè)置/284
　21.3.3　跨特征空間的遷移/285
　21.3.4　跨標(biāo)簽空間的遷移/287
第22章　城市計(jì)算中的遷移學(xué)習(xí)/289
22.1　引言/289
22.2　城市計(jì)算中的“遷移什么”/290
22.3　城市計(jì)算中遷移學(xué)習(xí)的關(guān)鍵問題/291
22.4　連鎖店推薦/292
　22.4.1　問題設(shè)置/292
　22.4.2　CityTransfer模型/293
22.5　空氣質(zhì)量預(yù)測/295
　22.5.1　問題設(shè)置/295
　22.5.2　FLORAL模型/296
第23章　結(jié)束語/297
參考文獻(xiàn)/299
名詞中英文對(duì)照/341