知识迁移学习方法及应用

知识迁移的目标是使机器具有和人一样的“举一反三”的能力，通过已掌握的知识来完成新的任务。知识迁移是机器突破程式化约束，具有自主学习能力的关键因素，近年来已成为人工智能的研究热点之一。从“如何迁移”“迁移什么”与“何时迁移”等角度入手，系统阐述了关联知识的表达形式、迁移的方式与手段以及实现迁移的时机等问题。然而知识迁移方法在提升机器智能性的同时，常常遇到“负迁移”的难题，即迁移后效果反而变差，为此，本书从两方面着手：对迁移任务间相似度的衡量给出一定的标准，筛除相关性差的源任务；避免样本的直接迁移，提取关联任务间的公共特征，即在特征空间实现迁移。为将知识迁移理论推广到实际领域，本书围绕文本分类、人脸识别、色彩调和、目标决策与优化规划等一系列任务展开论述，将知识迁移方法分为分类迁移、决策迁移、色彩迁移与优化迁移等4部分进行分析与研究。此外，各章节内容均涉及相关领域基础知识的介绍，能够为不同层次的读者与研究人员提供入门知识与参考信息。