机构名称：
¥ 1.0
摘要 — 迁移学习 (TL) 利用来自一个或多个源域的数据或知识来促进目标域中的学习。由于注释成本、隐私问题等原因，当目标域中标记数据很少或没有标记数据时，它特别有用。不幸的是，TL 的有效性并不总是能得到保证。负迁移 (NT)，即利用源域数据/知识会不理想地降低目标域的学习性能，一直是 TL 中存在已久且具有挑战性的问题。文献中提出了各种方法来处理它。然而，目前还没有关于 NT 的制定、导致 NT 的因素以及缓解 NT 的算法的系统调查。本文填补了这一空白，首先介绍了 NT 的定义及其因素，然后根据四类回顾了大约 50 种克服 NT 的代表性方法：安全迁移、域相似性估计、远距离迁移和 NT 缓解。我们还讨论了相关领域的NT，例如多任务学习、终身学习和对抗性攻击。
负迁移研究综述
主要关键词
相关文件推荐
