1.迁移学习分类
（1） 基于实例的迁移学习方法：
- 假设:源域中的一些数据和目标域会共享很多共同的特征
- 方法:对源域进行instance reweighting，筛选出与目标域数据相似度高的数据，然后进行训练学习
（2）基于特征的迁移学习
当源域和目标域含有一些共同的交叉特征时，我们可以通过特征变换，将源域和目标域的特征变换到相同空间，使得该空间中源域数据与目标域数据具有相同分布的数据分布，然后进行传统的机器学习。
（3）基于模型的迁移学习
基于模型的迁移，源域和目标域共享模型参数，也就是将之前在源域中通过大量数据训练好的模型应用到目标域上进行预测。
- 特点:模型相同部分直接进行迁移
- 不需要数据训练
（4） 基于关系的迁移学习
当两个域是相似的时候，那么它们之间会共享某种相似关系，将源域中学习到的逻辑网络关系应用到目标域上来进行迁移，比方说生物病毒传播规律到计算机病毒传播规律的迁移。这部分的研究工作比较少。典型方法就是mapping的方法。
总结迁移的方式：
- 数据
- 特征
- 模型
- 思路