1.TCA
映射使两个域边缘分布相近，限制条件为散度（衡量两个数据集的差异程度，最大化差异）
2.JDA
在TCA基础上加入条件分布相近，此时为联合分布（两个概率分布，并非概率论中的"联合分布"），限制条件也为散度
3.深度神经网络的可迁移性
介绍 NIPS 2014的《How transferable are features in deep neural networks?》
主要是结论性的东西：
1.神经网络的前3层基本都是general feature，进行迁移的效果会比较好；
2.深度迁移网络中加入fine-tune（模型微调），效果会提升比较大，可能会比原网络效果还好；
3.Fine-tune可以比较好地克服数据之间的差异性；
4.深度迁移网络要比随机初始化权重效果好；
5.网络层数的迁移可以加速网络的学习和优化。
此篇对原文的理解有些异议的地方：
（1）AnB 是指对baseA前n层权重锁定，后面8－n层随机初始化后继续在数据B上训练得来，再做分类。
（2）BnB的性能，一直到B3B貌似都不错，B4B到B5B性能下降严重，作者解释原因之一可能是4层5层与前后的层是联合起来学习特征的，“jointly trained”，将1－4层锁定只让5－8层学习，破坏了所学特征的一个“整体性”。
未考证原文,借鉴于评论区
4.深度迁移网络
DaNN
DaNN的结构异常简单，它仅由两层神经元组成：特征层和分类器层。
所以，整个网络的优化目标也相应地由两部分构成：在有label的源域数据上的分类误差,以及对两个领域数据的判别误差。
DDC
在原有的AlexNet网络的基础上，对网络的fc7层（分类器前一层）后加一层适配层（adaptation layer）。适配层的作用是，单独考察网络对源域和目标域的判别能力。如果这个判别能力很差，那么我们就认为，网络学到的特征不足以将两个领域数据区分开，因而有助于学习到对领域不敏感的特征表示。
DAN
DAN相比DDC加了2点改进：
一是多适配了几层特征；
二是采用了之前Arthur Gretton提出的多核MMD替换掉原有的单核MMD。
多核MMD即多核加权形成一个核
5. 测地线流式核方法（GFK）
1.SGF
SGF思想：把source和target都分别看成是高维空间中的两个点，由source变换到target的过程就完成了domain adaptation。
SGF实现方法：把source和target分别看成高维空间（Grassmann流形）中的两个点，在这两个点的测地线距离上取d个中间点，然后依次连接起来。
SGF缺陷：不知道d怎么取
2.GFK
GFK解决了SGF问题
详情见以下博客
https://blog.csdn.net/qq_40824311/article/details/103984384?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522168536591816800226555621%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=168536591816800226555621&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allsobaiduend~default-1-103984384-null-null.142v88insert_down1,239v2insert_chatgpt&utm_term=GFK&spm=1018.2226.3001.4187
推导过程略为抽象，本人暂未明白测地线公式是如何推导出来的，但感觉测地线思想了解就行。
1.积分用到了与核技巧一样的方法
2.流形映射降维的思想
3.领域间降维度量的思想
4.principal angle这一度量（主角对角线元素的正弦值）
6. 从经验中迁移学习
主体思想：
1.学习出一个变换矩阵W（对于所有迁移对最优，即平均误差最小）
2.W应该能在有新数据时进行更新（即可进行增量学习）
3.new question：类似于增量学习，如何最大限度地利用已有的迁移学习经验，使得其对新问题的泛化能力很好？同时也可以避免一出现新问题就从头进行学习
7. 负迁移
定义：
负迁移指的是，在源域上学习到的知识，对于目标域上的学习产生负面作用。
产生负迁移的原因：
1.源域和目标域压根不相似，谈何迁移？------数据问题
2.源域和目标域是相似的，但是，迁移学习方法不够好，没找到可迁移的成分。 --------方法问题
8. 《Simultaneous Deep Transfer Across Domains and Tasks》文章解读
目前所讲的迁移学习方法都是针对domain transfer（域之间的相似度，尤其是边缘分布），不注重task transfer（class之间的相似度）。文章针对target的部分class有少量label，剩下的class无label的情况将domain transfer和task transfer相结合。
提出joint CNN architecture for domain and task transfer方法
soft label loss指的是：统计source中平均概率，作用于target概率，再计算loss
9.开放集迁移学习
以往的方法都是基于Close set，现提出Open set想法
Method
利用source和target关系，给target打标签。
同理，在有一部分有标签条件下引入标签作为约束，但文章并未详述。
10.张量迁移学习
相当于把多维向量运算转换成张量运算，用的也是与PCA相当的降维方法（Tucker分解）
优化方法：
优化方法
即Tucker分解出两个域共有共享的子矩阵用作矩阵变换，计算变换后与源域目标域之间的差异。
进一步优化：优化成线性变换的形式，用于差异更大的情况
12.学习资源仓库
【Github仓库地址：jindongwang/transferlearning】
13.在线迁移学习
在线迁移学习(Online Transfer Learning, OTL)
Method: 基于SVM以及集成学习进行组合
SVM分类器形式
基于同构的迁移学习
首先对源域分类器和样本分类器归一化，w表示权重，谁影响大谁权重高。
基于异构的迁移学习
运用多视图学习思路，把与源域相同特征的看为视图1，不同的看为2，将两视图上的分类器结合。
14.用于部分迁移学习的深度加权对抗网络
动机：源域的类别比目标域的多，无法直接进行迁移，那么，就首先选择出源域中与目标域那部分类别最接近的样本，给它们赋予高权重，然后进行迁移。
15.自动选择源域的迁移学习方法
动机：源域太多了该如何选择
Method：巧妙地绕过这一点，直接通过降维矩阵构建分类器。
构建一个迁移学习分类器。我们假设要学习一个线性模型，那么这个模型的权重向量就是W.这个模型的一般形式如下所示：
通过最小化误差来学习权重。
16.探秘任务迁移
本文所研究的问题情境:Domain相同，task不同
Method:首先我们要对不同任务进行建模，然后让它们两两之间进行迁移并获取迁移的表现。接着为了构建一个统一的字典，我们对这些迁移结果进行归一化。最后，我们构建可迁移图。
1.针对目标的建模
用的是编码-解码机制
2.迁移学习的建模
3.任务相似性标准化
4.计算可迁移图
得到任务相似度矩阵后，我们的事情就简单了。我们需要在这个矩阵里找一条路，选择从多个源域到 t 的这条路上，迁移表现最好。
Experiments
从中我们得出的结论是，如果能够选择好源域任务，那么通常来说迁移学习的表现都要比直接从目标领域训练要好
