目录 序 前言 作者简介 第1章绪论1 11迁移学习缘起1 12学习的迁移理论2 13迁移学习定义4 14迁移学习与已有学习范式的关系5 15迁移学习未来的研究方向8 第2章基于非负矩阵分解的迁移学习算法10 21问题定义10 22基于共享词簇的知识迁移11 23基于相似概念(共享词簇-文档簇关联)的知识迁移12 24同时考虑相同和相似概念的知识迁移15 25综合考虑相同、相似、差异概念的知识迁移17 26软关联的知识迁移21 27本章小结24 第3章基于概率模型的迁移学习算法26 31问题定义26 32基于EM算法的朴素贝叶斯迁移算法28 33基于概率潜在语义分析的主题共享领域迁移算法30 34基于协同对偶概率潜在语义分析的多域领域迁移33 35更普适的基于潜在语义分��的多域领域迁移36 36基于组对齐的跨领域标签主题模型39 37基于粗粒度对齐主题模型的跨领域文本分类40 38本章小结42 第4章基于传统深度学习的迁移学习方法43 41问题定义43 42基于深度自编码器的迁移学习方法44 43深度领域自适应网络45 44深度子领域自适应网络48 45多表示自适应网络51 46同时对齐分布和分类器的多源自适应方法54 47基于注意力特征图的深度迁移学习方法57 48本章小结61 第5章基于对抗深度学习的迁移学习方法62 51问题定义64 52领域对抗神经网络64 53同时迁移领域和任务的迁移学习方法67 54基于生成对抗网络的像素级领域自适应方法70 55化分类器一致性的无监督领域自适应方法73 56循环一致对抗领域自适应方法77 57本章小结79 第6章基于模型融合的迁移学习算法80 61问题定义82 62基于Boosting的模型融合82 63有监督与无监督的融合88 64基于优化目标正则化的方法98 65基于锚点的集成学习101 66本章小结104 第7章基于图神经网络的迁移学习算法105 71问题定义106 72同质图神经网络的迁移学习算法106 73异质图神经网络的迁移学习算法114 74本章小结120 第8章多任务学习121 81问题定义122 82传统多任务学习122 83基于深度神经网络的多任务学习134 84本章小结141 第9章多视图学习算法143 91问题定义143 92基于概率潜在语义分析的多视图学习144 93基于间隔原则的多视图学习148 94基于子空间聚类方法的多视图学习155 95基于完整空间方法的多视图学习159 96多任务多视图学习164 97**系统和人机对话领域的多视图学习方法172 98本章小结180 第10章迁移学习应用181 101自然语言处理中的应用181 102计算机视觉中的应用187 103**系统中的应用205 104金融风控中的应用215 105城市计算中的应用217 106本章小结230 第11章百度飞桨迁移学习应用实践231 111深度学习框架介绍231 112迁移学习在视频分类中的实践案例233 113迁移学习在目标检测中的实践案例241 114本章小结249 参考文献250