My Secret Rainbow

迁移学习：经典算法解析

一. 了解迁移学习

迁移学习（Transfer Learning）目标是将从一个环境中学到的知识用来帮助新环境中的学习任务。

Survey 作者归纳了 Transfer Learning 相关的知识域，有必要了解一下这些名词：

Learning学习 – learning to learn

终身学习 – life-long learning

知识转移 – knowledge transfer

归纳迁移 – inductive transfer

多任务学习 – multi-task learning

知识的巩固 – knowledge consolidation

上下文相关学习 – context sensitive learning

基于知识的归纳偏差 – knowledge-based inductive bias

元学习 – meta learning

增量学习 – and incremental/cumulative learning

二. 迁移学习分类

迁移学习（Transfer Learning）根据 领域 和 任务的相似性，可以这样划分：

们根据 源Domain和目前Domain 之间的关系，源Task 和 目标Task之间的关系，以及任务方法更详细的整理为下表：

		源Domain &目标Domain	源Task &目标Task	源Data & 目标Data	任务方法
传统机器学习		相同	相同	有标签 | 有标签
迁移学习	归纳式迁移学习	相同/相关	相关	多任务学习 – 有标签 | 有标签  自我学习    – 无标签 | 有标签	分类回归
	直推式迁移学习	相关	相同	有标签 | 无标签	分类回归
	无监督迁移学习	相关	相关	无标签 | 无标签	聚类降维

实际上，归纳式迁移学习 是应用最广泛的一种方法，从这点上看，迁移学习更适合 有标签的应用域。

根据技术方法，我们将迁移学习的方法划分为：

	说明	归纳式	直推式	无监督
基于样本 的迁移学习	通过调整 源Domain的标签（辅助） 和 目标Domain标签的权重，协同训练得到目标模型。   典型方法：TrAdaBoost	√	√
基于特征 的迁移学习	找到 “好”特征 来减少源Domain和目标Domain之间的不同，能够降低分类、回归误差。   典型方法：Self-taught learning，multi-task structure learning	√	√	√
基于参数 的迁移学习	发现源Domain和目标Domain之间的共享参数或先验关系。   典型方法：Learning to learn，Regularized multi-task learning	√
基于相关性 的迁移学习	建立源Domain和目标Domain之间的相关知识映射。   典型方法：Mapping 方法	√

迁移学习方法虽然在学术有很多研究工作，实际上在应用领域并不算成熟，这本身就是一个很大的命题，关于迁移学习的条件 和 本质也并未形成一套正统的体系来引领研究方向，更多的也是在实验摸索。

迁移学习 目前面临如下几个问题：

1. 哪种情况适合做迁移学习？ – What

这里先给个自己的理解：

分类和回归问题是比较适合做迁移学习的场景，有标签的源数据是最好的辅助。

2. 该选择哪种方法？ – Which

简单而行之有效的方法是首选，领域在快速发展，也不必拘泥算法本身，改善结果才是硬道理。

3. 如何避免负迁移？ – How

迁移学习的目标是改善目标域的 Task效果，这里面 负迁移（Negative Transfer）是很多研究者面临的一个问题，如何得到行之有效的改进，避免负迁移是需要大家去评估和权衡的。

三. 经典算法 TrAdaBoost

TrAdaBoost 算法是基于 样本迁移的 开山之作，由 戴文渊 提出，有着足够的影响力放在第一位来进行讲解。

论文下载：Boosting for Transfer Learning

算法的基本思想是 从源 Domain 数据中 筛选有效数据，过滤掉与目标 Domain 不match的数据，通过 Boosting方法建立一种权重调整机制，增加有效数据权重，降低无效数据权重，下图是 TrAdaBoost 算法的示意图（截图来自于  庄福振 – 迁移学习研究进展）：

TrAdaBoost 算法比较简单，用一句话概括就是 从过期数据里面 找出和目标数据最接近的样本数据。

来看 TrAdaBoost 的算法步骤：

 

这里需要说明的一点就是 权重的更新方式，对于辅助样本来讲，预测值和标签越接近，权重越大；而对于目标数据则是相反，预测值和标签差异越大，权重越大。这种策略狠容易理解，我们想找到辅助样本中 和 目标数据分布最接近的样本，同时放大目标样本Loss的影响，那么理想的结果就是：

目标样本预测值与标签尽量匹配（不放过一个没匹配好的数据），辅助样本在前面的基础上筛选出最 match（权重大的） 的部分。

作者在后面给出了理论证明，这里有两个公式（来证明算法收敛）：

 

因篇幅问题，这里就不再展开了（和作者说的一样），有兴趣可以参考原Paper，看下实验结果：

实验发现，当 同分布数据（目标数据）占比当低于0.1时，算法效果明显，当比例超过 0.1时，TrBoost 退化为 SVM 的效果。

这又是一个显而易见的结论，我们认为大于0.1时，仅仅依靠 目前数据就足够完成样本训练，这种情况下，辅助样本的贡献可以忽略。

另外，当 目标数据 和 辅助数据 差别比较大时，该方法是不 Work的，印证了最初的假设，这里不再展开证明。

四. 多任务学习

多任务学习（Multi-Task Learning, MTL）是一种同时学习多个任务的机器学习方法，该方法由来已久，和深度学习没什么关系。

如果非要把它 和深度学习加上一个 link，我们可以这样来表示：

input1 -> Hidden1-> H1-> Out1                          input1                                       -> Out1

input2 -> Hidden2-> H2-> Out2         ==>       input2 -> Hidden123 -> H123   -> Out2

input3 -> Hidden3-> H3-> Out3                        input3                                        -> Out3

也比较好理解，相当于把多个 Task网络进行合并，同时训练多个任务，这种情况并不鲜见，比如以下2个方向：

1）目标检测 － 复合多任务

目标检测是 分类问题＋回归问题的组合，这是一个典型的 Multi-Task，比如:

Detection＝Classification＋Location

        Mask RCNN = Classification＋Location＋Segmentation

检测问题前面描述的比较多了，这里就不再贴图了。

2）特征提取 

多任务特征提取，多个输出，这一类问题代表就是 数据结构化，特征识别。

下图是港中文 汤晓鸥组发表的TCDCN（Facial Landmark Detection by Deep Multi-task Learning），很多讲 Multi－Task的软文都拿出来说，我们也借用一下。

在这里 Multi-Task 被同时用作 人脸关键点定位、姿态估计和属性预测（比如性别、年龄、人种、微笑？戴眼镜？）

多任务学习适用于这样的情况：

1）多个任务之间存在关联，比如行人和车辆检测，对于深度网络也可以理解为有部分共同的网络结构；

2）每个独立任务的训练数据比较少，单独训练无法有效收敛；

3）多个任务之间存在相关性信息，单独训练时无法有效挖掘；