负迁移研究综述
机器学习
2022-12-13 v4 计算机视觉与模式识别
机器学习
摘要
迁移学习（TL）利用一个或多个源域的数据或知识来促进目标域中的学习。当目标域因标注成本、隐私问题等而仅有极少或没有标注数据时，它尤为有用。遗憾的是，TL 的有效性并非总能得到保证。负迁移（NT），即利用源域数据/知识反而降低了目标域的学习性能，一直是 TL 中一个长期存在的挑战性问题。文献中已提出多种方法来应对该问题。然而，目前尚不存在关于 NT 的界定、导致 NT 的因素以及缓解 NT 的算法的系统性综述。本文填补了这一空白，首先介绍 NT 的定义及其因素，随后根据安全迁移、域相似度估计、远距离迁移和 NT 缓解四类，回顾约五十种克服 NT 的代表性方法。本文还讨论了相关领域（如多任务学习、终身学习和对抗攻击）中的 NT。
引用
@article{arxiv.2009.00909,
title = {A Survey on Negative Transfer},
author = {Wen Zhang and Lingfei Deng and Lei Zhang and Dongrui Wu},
journal= {arXiv preprint arXiv:2009.00909},
year = {2022}
}