论文下载地址：https://arxiv.org/abs/1808.01974?context=stat.ML
问题：
【1】传统的机器学习方法要求数据满足：训练数据与测试数据独立同分布（ independent and identically distributed
(i.i.d.) ）。而实际应用中，很多情况不满足这个条件【训练数据：素颜照片，测试数据：美颜照片】。迁移学习放开可这个假设。
【2】深度学习方法依赖于大量的训练数据。一个有趣的现象：一个模型的规模和所需数据样本的数量是呈线性关系。而实际应用中，数据很难获取，耗时耗力。迁移学习可利用充足的源域（source domain）数据来训练模型，在数据不充足的目标域（target domain）获得不错的结果。
分类：
【1】基于实例的迁移学习
假设依据："Although there are different between two domains, partial instances in the source domain can
be utilized by the target domain with appropriate weights.".
方法：用特定的权重调整策略，从源域中选择部分实例【图中并集中的源域部分（深蓝色）】，作为目标域训练集的补充，通过给选择的样本分配合适的权重。
【2】基于映射的迁移学习
假设依据："Although there are different between two origin domains, they can be more similarly in an elaborate new data space.".
方法：将源域和目标域的实例映射到新的数据空间。在新的数据空间中，来自两个域的实例是相似的，适合于同一个深度神经网络。
【3】基于网络的迁移学习（finetune）
假设依据："Neural network is similar to the processing mechanism of the human brain, and it is an iterative and continuous abstraction process. The front-layers of the network can be treated as a feature extractor, and the extracted features are versatile.".
方法：使用在源域预训练的部分网络，包括网络结构和连接参数，迁移到目标域成为深度神经网络的一部分。
【4】基于对抗的迁移学习（finetune）
假设依据："For effective transfer, good representation should be discriminative for the main learning task and indiscriminate between the source domain and target domain."
方法：找到可迁移的表示，同时适用于源域和目标域。