《可信迁移学习：综述》

文章预览

迁移学习旨在将知识或信息从源领域转移到相关的目标领域。在本文中，我们从知识可迁移性和可信度的角度理解迁移学习。这涉及两个研究问题： 如何定量测量和增强跨领域的知识可迁移性？ 我们能否信任迁移学习过程中转移的知识？ 为回答这些问题，本文从多个方面对可信迁移学习进行了全面的综述，包括问题定义、理论分析、经验算法和现实应用。具体而言，我们总结了在（同域）独立同分布（IID）和非独立同分布（non-IID）假设下，理解知识可迁移性的最新理论和算法。除了知识可迁移性外，我们还回顾了可信度对迁移学习的影响，例如，迁移的知识是否具有对抗鲁棒性或算法公平性，如何在隐私保护约束下进行知识转移等。 除了讨论当前的进展外，我们还强调了在可靠和可信的方式下理解迁移学习的开放问题和未来发展方向。 1. 引言 ………………………………