Domain adaptation via transfer component analysis
@jindongwang 推荐
#Transfer Learning
迁移学习领域公认的经典工作，作者团队来自香港科技大学 Qiang Yang 教授团队，推荐所有做迁移学习研究的同学都看一看。
论文链接
http://www.paperweekly.site/papers/793
Geodesic flow kernel for unsupervised domain adaptation
@jindongwang 推荐
#Unsupervised Learning
迁移学习领域代表性文章——GFK（Geodesic flow kernel）。GFK 方法首先解决 SGF 的问题：如何确定 source 和 target 路径上中间点的个数。它通过提出一种 kernel 方法，利用路径上的所有点的积分，把这个问题解决了。这是第一个贡献。然后，它又解决了第二个问题：当有多个 source 的时候，我们如何决定使用哪个 source 跟 target 进行迁移？GFK 通过提出 Rank of Domain 度量，度量出跟 target 最近的 source，来解决这个问题。
论文链接
http://www.paperweekly.site/papers/794
Transfer feature learning with joint distribution adaptation
@jindongwang 推荐
#Domain Adaptation
迁移学习领域又一经典文章，是 TCA 的增强版本，推荐读。JDA 方法比较巧妙，同时适配两个分布，然后非常精巧地规到了一个优化目标里。用弱分类器迭代，最后达到了很好的效果，值得我们去学习。
论文链接
http://www.paperweekly.site/papers/795
Unsupervised Domain Adaptation by Backpropagation
@jindongwang 推荐
#Transfer Learning
深度迁移学习经典文章。
论文链接
http://www.paperweekly.site/papers/1035
代码链接
https://github.com/shucunt/domain_adaptation
How transferable are features in deep neural networks?
@jindongwang 推荐
#CNN
探究深度网络的可迁移性质，非常值得读。虽然该论文并没有提出一个创新方法，但是通过实验得到了以下几个结论，对以后的深度学习和深度迁移学习都有着非常高的指导意义。
神经网络的前 3 层基本都是 general feature，进行迁移的效果会比较好；深度迁移网络中加入 fine-tune，效果会提升比较大，可能会比原网络效果还好；Fine-tune 可以比较好地克服数据之间的差异性；深度迁移网络要比随机初始化权重效果好；网络层数的迁移可以加速网络的学习和优化。
论文链接
http://www.paperweekly.site/papers/796
代码链接
https://github.com/yosinski/convnet_transfer
Deep Domain Confusion: Maximizing for Domain Invariance
@jindongwang 推荐
#Deep Learning
深度迁移学习最早期的代表性文章，虽然至今为止不知道发在哪里（一直只是在 arXiv 上），但是引用量很大，算是比较基础性的工作。值得一读。
论文链接
http://www.paperweekly.site/papers/1038
Learning Transferable Features with Deep Adaptation Networks
@jindongwang 推荐
#Transfer Learning
深度适配网络（Deep Adaptation Netowrk，DAN）是清华大学龙明盛提出来的深度迁移学习方法，最初发表于 2015 年的机器学习领域顶级会议 ICML 上。DAN 解决的也是迁移学习和机器学习中经典的 domain adaptation 问题，只不过是以深度网络为载体来进行适配迁移。
论文链接
http://www.paperweekly.site/papers/797
Simultaneous Deep Transfer Across Domains and Tasks
@jindongwang 推荐
#Transfer Learning
传统的深度迁移学习方法只进行 domain confusion，这个文章加入了 task transfer，也就是说，充分考虑到类别之间的相似性。
论文链接
http://www.paperweekly.site/papers/1040
A Unified Framework for Metric Transfer Learning
@jindongwang 推荐
#Transfer Learning
这篇文章的作者团队来自新加坡南洋理工大学，主要老板是 Sinno Jialin Pan，他是迁移学习大牛杨强的学生，《A survey on transfer learning》的第一作者。文章比较新，值得一读。
论文链接
http://www.paperweekly.site/papers/1039
Adversarial Discriminative Domain Adaptation
@corenel 推荐
#Domain Adaptation
ADDA 总结了 DA 领域的总体架构，提纲挈领。
论文链接
http://www.paperweekly.site/papers/690
代码链接
https://github.com/erictzeng/adda
https://github.com/corenel/pytorch-adda
Correlation Alignment by Riemannian Metric for Domain Adaptation
@jindongwang 推荐
#Domain Adaptation
一个比较新的工作，但是创新性比较小：只是将现有的 CoRAL 工作中的距离度量换成了在黎曼空间下的度量。
论文链接
http://www.paperweekly.site/papers/1042
Understanding How Feature Structure Transfers in Transfer Learning
@jindongwang 推荐
#Representation Learning
IJCAI-17 最新文章，理解迁移学习中 feature 是如何进行 transfer 的。有两个大牛 Qiang Yang 和 Dacheng Tao 坐镇，文章肯定不差。
论文链接
http://www.paperweekly.site/papers/1044
Associative Domain Adaptation
@corenel 推荐
#Deep Learning Processor
相比较 ADDA 而言，从很大程度上提升了 DA 的性能，值得一读。
论文链接
http://www.paperweekly.site/papers/686
代码链接
https://github.com/haeusser/learning_by_association
Learning to Transfer
@jindongwang 推荐
#Transfer Learning
迁移学习领域比较新的研究方向，将迁移学习与增量学习结合起来，是开创性的工作。建议一读。
论文链接
http://www.paperweekly.site/papers/1041
本文由 AI 学术社区 PaperWeekly 精选推荐，社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向，点击「阅读原文」即刻加入社区！
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。
▽ 点击 | 阅读原文 | 收藏论文集
