迁移学习（Transfer Learning）根据 领域 和 任务的相似性，可以这样划分：

根据 源Domain和目前Domain 之间的关系，源Task 和 目标Task之间的关系，以及任务方法更详细的整理为下表：

学习类型	源Domain & 目标Domain	源Task & 目标Task	源Data & 目标Data	任务方法
传统机器学习	相同	相同	有标签 | 有标签
归纳式迁移学习	相同/相关	相关	多任务学习 - 有标签 | 有标签	分类回归
			自我学习 - 无标签 | 有标签
直推式迁移学习	相关	相同	有标签 | 无标签	分类回归
无监督迁移学习	相关	相关	无标签 | 无标签	聚类降维

实际上，归纳式迁移学习 是应用最广泛的一种方法，从这点上看，迁移学习更适合 有标签的应用域。根据技术方法，我们将迁移学习的方法划分为：

	说明	归纳式	直推式	无监督
基于样本的迁移学习	通过调整源Domain的标签（辅助）和目标Domain标签的权重，协同训练得到目标模型。典型方法：TrAdaBoost	√	√
基于特征的迁移学习	找到“好”特征来减少源Domain和目标Domain之间的不同，能够降低分类、回归误差。典型方法：Self-taught learning, multi-task structure learning	√	√	√
基于参数的迁移学习	发现源Domain和目标Domain之间的共享参数或先验关系。典型方法：Learning to learn, Regularized multi-task learning	√
基于相关性的迁移学习	建立源Domain和目标Domain之间的相关知识映射。典型方法：Mapping方法	√

---

References

• 迁移学习：经典算法解析 (opens new window)