EASY TRANSFER LEARNING BY EXPLOITING INTRA-DOMAIN STRUCTURES read

关键词： 迁移学习，域自适应，交叉域学习，无参学习

方法的提出背景：

1）大部分传统的和深度学习的迁移算法是参数方法，需要花费大量的时间和金钱成本去训练那些超参数。

2）交叉验证往往是用来提高模型准确率的方法，然而在迁移学习中不可用，因为目标域没有标签。

3）尽管目前自动的机器学习算法能够自动的调节超参数，如树剪枝、boosting、神经网络,但是它们很难克服两个域的差别。

EasyTL

EasyTL通过域内对齐学习非参数传递特征，并通过域内编程学习传输分类。EasyTL还可以通过域内编程作为最终的分类器来提高现有TL方法的性能。

现有的迁移学习方法可以被总结为两大类，a）通过调节权重。b）通过特征迁移（子空间学习，邻域自适应）

EasyTL与Nearest-neighbor (NN)、Naive Bayes NN (NBNN)、Nearest Centroid (NC)最大的不同是它是通过线性编程去得到softmax概率（浮点型权重）。这样EasyTL不仅考虑到样本和中心的关系，还考虑到与其他样本之间的关系。

实验验证算法优越性：