迁移自适应学习：十年综述

我们所见的世界在不断变化，且总是随人、事物和环境而改变。域指的是世界在某一时刻的状态。当一个研究问题需要在不同时刻/域之间进行知识对应时，它被表征为迁移自适应学习（TAL）。常规机器学习旨在通过最小化训练数据上的正则化经验风险来寻找在测试数据上期望风险最小的模型，然而其假设训练与测试数据具有相似的联合概率分布。TAL旨在通过学习来自语义相关但分布不同的源域的知识，构建能在目标域执行任务的模型。这是一个影响力和重要性不断增长的活跃研究领域，正呈现爆发式的发表趋势。本文综述了过去十年TAL方法的进展，并从深刻见解和新视角观察与讨论了TAL的技术挑战和本质问题。我们识别出研究者创造的更广泛的迁移自适应学习解决方案，即实例重加权自适应、特征自适应、分类器自适应、深度网络自适应和对抗自适应，它们超越了早期的半监督与无监督划分。该综述帮助研究者快速而全面地理解和识别该领域的研究基础、研究现状、理论局限、未来挑战以及尚未充分研究的问题（通用性、可解释性和可信性），以迈向开放世界场景中的通用表征与安全应用。