吁 松， 何 慧， 王 星

(哈尔滨工业大学 计算机科学与技术学院， 哈尔滨 150001)

0 引 言

随着机器学习领域研究的不断深入，迁移学习作为机器学习领域的一个重要方向而引起研究者的高度关注与重视。 相对于传统的机器学习针对一个领域进行训练、测试和运用，迁移学习针对的是2个不同但有关联的领域，在一个领域上训练，在另一个领域上测试和运用，前者被称为源领域，后者被称为目标域。 这种训练数据与测试数据处于不同领域的要求，正是因为人们在运用传统的机器学习解决问题时，一些获取有标签数据代价昂贵或者难以收集的领域受到有标签数据不足的困扰[1]。 而这类领域正是迁移学习可以发挥作用的地方。

迁移学习从其迁移的内容来看，可以分为迁移参数、迁移实例、迁移特征和迁移关系[1]。 迁移关系的算法核心是寻找源领域和目标领域之间共享的关系，Li等人[2]就利用bootstrapping的方法迭代构建领域之间的关系。 针对马尔科夫逻辑网络[3]的迁移算法，大部分就是一种基于关系的迁移。 研究者往往是利用马尔科夫逻辑网络模型的逻辑公式作为源领域和目标领域关系的桥梁。 其中，一类算法是将MLN模型中的一阶逻辑公式转换成高阶形式，然后进行模型的迁移。 Davis等人[4]通过引入谓词变量将一阶逻辑公式转换成二阶公式，并将这些二阶公式合并成团，再对每个二阶团进行评估，将分数最高的k个二阶团迁移到目标域。 Haaren等人[5]同样是将一阶公式转换成二阶公式，但在二阶转换成一阶的过程引入了偏置，实现了效果更好的迁移。……