组合网络：通过神经网络重组实现创造性

人类创造力的决定性特征之一是能够进行概念跃迁，从典型知识中创造出令人惊讶的事物。相比之下，深度神经网络常难以处理训练数据之外的情况，这对于训练数据有限的问题尤为棘手。现有方法可将知识从数据充足的问题迁移至数据不足的问题，但它们往往需要额外训练或特定领域的迁移方法。我们提出一种新方法——概念扩展，它作为一种通用表示，用于复用已有训练模型以在无反向传播的情况下推导新模型。我们在两项任务的少样本变体（图像分类与图像生成）上评估了该方法，并优于标准迁移学习方法。