（原文+译文）Transitive Transfer Learning_传递迁移学习_杨强团队_2015.zip

简介：
简介：本资料包含一篇关于传递迁移学习的研究论文，由著名学者杨强领导的团队于2015年发布。文章探讨了如何在不同但相关的任务之间进行知识转移的方法，促进了机器学习领域的发展。文件以压缩格式提供，方便下载和阅读。 传递迁移学习是一种通过利用源域知识来提升目标域学习能力的方法，在多种应用场景中已被证实有效。然而，这种方法的一个主要限制在于源域与目标域必须存在直接关联性；如果两个领域之间几乎没有交集，则在这两者间进行知识转移将无法实现预期效果。受到人类在传递性和推理方面的启发，我们探索了一种新方法：利用辅助概念将看似无关的两类信息通过一系列中间桥连接起来，从而解决所谓的“传递迁移学习”（Transitive Transfer Learning, TTL）问题。 TTL的目标是在源域与目标域之间共享的因素极少的情况下打破两者之间的巨大差距，并实现知识转移。例如，在文本和图像这两个领域间进行知识传递时，可以通过引入一些带有注释的中间图像作为桥梁来完成这一任务。为了解决TTL的问题，我们提出了一种框架：首先选择一个或多个领域作为源域与目标域间的连接点以促进迁移学习的发生；随后通过这些选定的桥梁实现信息的有效转移。 大量实验证据表明，在多种分类数据集上应用该框架能够获得最新的分类精度。