商品基本信息

商品名称：

  迁移学习

作     者：

  杨强 张宇 戴文渊 潘嘉林

市 场 价：

  139.00元

ISBN  号：

  9787111661283

出版日期：

  2020-07

页     数：

字     数：

  328千字

出 版 社：

  机械工业出版社

  目录

  推荐序
译者序
前 言
第一部分 迁移学习的基础
第1章 绪论/2
1.1 人工智能、机器学习以及迁移学习/2
1.2 迁移学习：定义/6
1.3 与已有机器学习范式的关系/9
1.4 迁移学习的基础研究问题/11
1.5 迁移学习应用/11
1.5.1 图像理解/11
1.5.2 生物信息学和生物成像/12
1.5.3 推荐系统和协同过滤/12
1.5.4 机器人和汽车自动驾驶/13
1.5.5 自然语言处理和文本挖掘/13
1.6 历史笔记/14
1.7 关于本书/15
第2章 基于样本的迁移学习/19
2.1 引言/19
2.2 基于样本的非归纳式迁移学习/20
2.2.1 判别区分源数据和目标数据/22
2.2.2 核平均匹配/23
2.2.3 函数估计/23
2.3 基于样本的归纳式迁移学习/24
2.3.1 集成源损失与目标损失/24
2.3.2 Boosting风格的方法/26
2.3.3 样本生成方法/27
第3章 基于特征的迁移学习/29
3.1 引言/29
3.2 最小化域间差异/30
3.2.1 最大均值差异/30
3.2.2 基于Bregman散度的正则化/34
3.2.3 使用特定分布假设的度量/34
3.2.4 数据依赖的域差异度量/35
3.3 学习通用特征/36
3.3.1 学习通用编码/36
3.3.2 深度通用特征/37
3.4 特征增强/38
第4章 基于模型的迁移学习/40
4.1 引言/40
4.2 基于共享模型成分的迁移学习/42
4.2.1 利用高斯过程的迁移学习/42
4.2.2 利用贝叶斯模型的知识迁移/43
4.2.3 利用深度模型的模型迁移/44
4.2.4 其他方法/45
4.3 基于正则化的迁移/45
4.3.1 基于支持向量机的正则化/46
4.3.2 基于多核学习的迁移学习/47
4.3.3 深度模型中的微调方法/48
第5章 基于关系的迁移学习/52
5.1 引言/52
5.2 马尔可夫逻辑网络/54
5.3 利用马尔可夫网络的基于关系的迁移学习/55
5.3.1 通过一阶逻辑的浅层迁移/55
5.3.2 通过二阶逻辑的深度迁移/57
5.3.3 通过结构类比的迁移学习/59
第6章 异构迁移学习/61
6.1 引言/61
6.2 异构迁移学习问题/63
6.3 方法/63
6.3.1 异构特征空间/64
6.3.2 异构标签空间/78
6.4 应用/79
第7章 对抗式迁移学习/82
7.1 引言/82
7.2 生成对抗网络/83
7.3 采用对抗式模型的迁移学习/86
7.3.1 生成目标域数据/87
7.3.2 通过对抗式学习来学习域不变特征/89
7.4 讨论/91
第8章 强化学习中的迁移学习/92
8.1 引言/92
8.2 背景/93
8.2.1 强化学习/94
8.2.2 强化学习任务中的迁移学习/95
8.2.3 迁移学习在强化学习中的目标/96
8.2.4 迁移强化学习分类/98
8.3 任务间迁移学习/99
8.3.1 基于样本的迁移/99
8.3.2 基于特征的迁移/100
8.3.3 基于模型的迁移/103
8.3.4 解决“迁移时机”问题/105
8.4 域间迁移学习/105
8.4.1 基于样本的迁移/106
8.4.2 基于特征的迁移/107
8.4.3 基于模型的迁移/108
第9章 多任务学习/109
9.1 引言/109
9.2 定义/111
9.3 多任务监督学习/111
9.3.1 基于特征的多任务监督学习/112
9.3.2 基于模型的多任务监督学习/114
9.3.3 基于样本的多任务监督学习/120
9.4 多任务无监督学习/120
9.5 多任务半监督学习/120
9.6 多任务主动学习/121
9.7 多任务强化学习/121
9.8 多任务在线学习/121
9.9 多任务多视图学习/122
9.10 并行与分布式多任务学习/122
第10章 迁移学习理论/123
10.1 引言/123
10.2 多任务学习的泛化界/124
10.3 监督迁移学习的泛化界/127
10.4 无监督迁移学习的泛化界/129
第11章 传导式迁移学习/131
11.1 引言/131
11.2 混合图上的传导式迁移学习/133
11.2.1 问题定义/134
11.2.2 混合迁移算法/135
11.3 基于隐性特征表示的传导式迁移学习/137
11.3.1 问题定义/137
11.3.2 耦合的矩阵三因子分解算法/138
11.4 基于深度神经网络的传导式迁移学习/141
11.4.1 问题定义/141
11.4.2 选择学习算法/142
第12章 自动迁移学习：学习如何自动迁移/146
12.1 引言/146
12.2 L2T框架/147
12.3 参数化“迁移什么”/148
12.3.1 基于公共隐空间的算法/149
12.3.2 基于流形集成的算法/149
12.4 从经验中学习/149
12.4.1 源域和目标域之间的差异/149
12.4.2 目标域判别能力/151
12.4.3 优化问题/151
12.5 推断“迁移什么”/151
12.6 与其他学习范式的联系/152
12.6.1 迁移学习/152
12.6.2 多任务学习/153
12.6.3 终身机器学习/153
12.6.4 自动化机器学习/153
第13章 小样本学习/155
13.1 引言/155
13.2 零样本学习/156
13.2.1 概述/156
13.2.2 零样本学习算法/157
13.3 单样本学习/161
13.3.1 概述/161
13.3.2 单样本学习算法/161
13.4 贝叶斯规划学习/163
13.4.1 概述/163
13.4.2 用于识别字符笔画的贝叶斯规划学习/163
13.5 短缺资源学习/166
13.5.1 概述/166
13.5.2 机器翻译/166
13.6 域泛化/168
13.6.1 概述/168
13.6.2 偏差SVM/169
13.6.3 多任务自动编码器/169
第14章 终身机器学习/171
14.1 引言/171
14.2 终身机器学习：定义/172
14.3 通过不变的知识进行终身机器学习/173
14.4 情感分类中的终身机器学习/174
14.5 共享模型组件用于多任务学习/177
14.6 永无止境的语言学习/178
第二部分 迁移学习的应用
第15章 隐私保护的迁移学习/184
15.1 引言/184
15.2 差分隐私/185
15.2.1 定义/185
15.2.2 隐私保护的正则化经验风险最小化/186
15.3 隐私保护的迁移学习/188
15.3.1 问题设置/188
15.3.2 目标提升/188
15.3.3 多方学习/191
15.3.4 多任务学习/193
第16章 计算机视觉中的迁移学习/194
16.1 引言/194
16.2 概述/195
16.2.1 浅层迁移学习模型/195
16.2.2 深度迁移学习模型/199
16.2.3 迁移学习用于其他视觉任务/200
16.3 迁移学习用于医学图像分析/201
16.3.1 医学图像分类/201
16.3.2 医学图像异常检测/203
16.3.3 医学图像分割/204
第17章 自然语言处理中的迁移学习/205
17.1 引言/205
17.2 NLP中的迁移学习/205
17.2.1 问题设置/206
17.2.2 NLP应用中的参数初始化/206
17.2.3 NLP应用中的多任务学习/207
17.3 情感分析中的迁移学习/212
17.3.1 问题定义和符号/214
17.3.2 浅模型/214
17.3.3 基于深度学习的方法/217
第18章 对话系统中的迁移学习/226
18.1 引言/226
18.2 问题形式化定义/228
18.3 口语理解中的迁移学习/228
18.3.1 问题定义/229
18.3.2 模型适配/229
18.3.3 基于样本的迁移/229
18.3.4 参数迁移/230
18.4 对话状态跟踪中的迁移学习/231
18.4.1 基于特征的多领域对话状态跟踪/231
18.4.2 基于模型的多领域对话状态跟踪/231
18.5 对话策略学习中的迁移学习/232
18.5.1 针对Q学习的迁移线性模型/233
18.5.2 针对Q学习的迁移高斯过程/233
18.5.3 针对Q学习的迁移贝叶斯委员会机器/235
18.6 自然语言生成中的迁移学习/236
18.6.1 自然语言生成中的模型微调/237
18.6.2 自然语言生成中的课程学习/237
18.6.3 自然语言生成中的样本合成/237
18.7 端到端对话系统中的迁移学习/238
18.7.1 完全参数微调/239
18.7.2 部分参数共享/239
第19章 推荐系统中的迁移学习/247
19.1 引言/247
19.2 在推荐中迁移什么/248
19.2.1 推荐系统中基于样本的迁移学习方法/248
19.2.2 推荐系统中基于特征的迁移学习方法/249
19.2.3 推荐系统中基于模型的迁移学习方法/251
19.3 新闻推荐/252
19.3.1 问题定义/253
19.3.2 挑战和解决方案/254
19.3.3 解决方案：基于邻域的迁移学习/254
19.4 社交网络中的VIP推荐/255
19.4.1 问题定义/256
19.4.2 挑战和解决方案/257
19.4.3 解决方案：基于社交关系的迁移/258
第20章 生物信息学中的迁移学习/260
20.1 引言/260
20.2 生物信息学中的机器学习问题/261
20.3 生物序列分析/262
20.4 基因表达分析和遗传分析/265
20.5 系统生物学/266
20.6 生物医学文本和图像挖掘/268
20.7 基于深度学习的生物信息学/268
20.7.1 深度神经追踪/268
20.7.2 生物信息学中的深度迁移学习/272
第21章 行为识别中的迁移学习/273
21.1 引言/273
21.2 针对无线定位的迁移学习/273
21.2.1 依赖于环境的数据稀疏性挑战/274
21.2.2 基于特征的迁移学习用于定位/276
21.2.3 基于样本的迁移学习用于定位/278
21.2.4 基于模型的迁移学习用于定位/280
21.3 针对行为识别的迁移学习/282
21.3.1 背景/282
21.3.2 问题设置/284
21.3.3 跨特征空间的迁移/285
21.3.4 跨标签空间的迁移/287
第22章 城市计算中的迁移学习/289
22.1 引言/289
22.2 城市计算中的“迁移什么”/290
22.3 城市计算中迁移学习的关键问题/291
22.4 连锁店推荐/292
22.4.1 问题设置/292
22.4.2 CityTransfer模型/293
22.5 空气质量预测/295
22.5.1 问题设置/295
22.5.2 FLORAL模型/296
第23章 结束语/297
参考文献/299
名词中英文对照/341