Transfer Learning：迁移学习全栈资源库

Transfer Learning（迁移学习）是由王晋东（jindongwang）发起的"迁移学习全栈资源库"，涵盖论文、教程、代码、数据集、会议期刊等完整学术生态。被CVPR、 NeurIPS、IJCAI、IEEE TKDE等顶会顶刊广泛引用。

核心统计：

• Stars: 14.3k | Forks: 3.8k | Watchers: 332
• Contributors: 38 | Deployments: 500+
• License: MIT
• 语言: Python 86.4% | MATLAB 4.1% | Jupyter 3.5%
• 最新提交: Feb 10, 2026 (2 months ago)

为什么这是迁移学习必读资源？

1. 覆盖18个研究领域

从传统方法到深度学习，从理论到实践：

2. 顶会顶刊广泛引用

• 会议: CVPR'22, NeurIPS'21, IJCAI'21, ESEC/FWE'20, IJCNN'20, ACM MM'18, ICME'19
• 期刊: IEEE TKDE, ACM TIST, Information Sciences, Neurocomputing, IEEE TCDS

3. 完整的学习路径

Books (书籍):

• 《Introduction to Transfer Learning: Algorithms and Practice》- Springer 2021
• 《迁移学习》（杨强）- 中文经典
• 《迁移学习导论》（王晋东、陈益强）

Video Tutorials (视频教程):

• B站《迁移学习》系列（中文）
• Hung-yi Lee @ NTU 课程
• Recent Advances of Transfer Learning 2022

研究领域详解

Domain Adaptation (领域自适应)

核心问题：源域有标签、目标域无标签，如何迁移知识。

传统方法:

• TCA (Transfer Component Analysis)
• JDA (Joint Distribution Adaptation)
• CORAL (Correlation Alignment)

深度方法:

• DANN (Domain-Adversarial Neural Network)
• MCD (Maximum Classifier Discrepancy)
• CDAN (Conditional Adversarial Domain Adaptation)

Domain Generalization (领域泛化)

无需目标域数据，模型泛化到未知域。

最新Survey: IJCAI-21 第一篇Domain Generalization综述

Knowledge Distillation

知识蒸馏综述：2020年最新Survey

Federated Transfer Learning

联邦迁移学习：隐私保护下的迁移学习

代码库 (Code)

统一代码基线:

# GitHub Codespaces直接运行
https://github.dev/jindongwang/transferlearning

# 或Google Colab
https://colab.research.google.com/drive/1MVuk95mMg4ecGyUAIG94vedF81HtWQAr

PyTorch微调教程:

import torchvision.models as models

# 加载预训练模型
model = models.resnet50(pretrained=True)

# 修改最后一层适应新任务
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, num_classes)

# 微调
for param in model.parameters():
    param.requires_grad = False
for param in model.fc.parameters():
    param.requires_grad = True

数据集与Benchmark

收录常用迁移学习数据集及论文结果：

• Office-Home (4个域)
• VisDA (合成→真实)
• DomainNet (6个域)
• DIGITS
• USPS→MNIST

相关项目扩展

理论 (Theory)

经典论文:

• ICML-20: Few-shot domain adaptation by causal mechanism transfer
• CVPR-19: Characterizing and Avoiding Negative Transfer
• NIPS-06: Analysis of Representations for Domain Adaptation
• ML-10: A Theory of Learning from Different Domains
• NIPS-08: Learning Bounds for Domain Adaptation
• COLT-09: Learning Bounds for Domain Adaptation

MMD度量:

• A Hilbert Space Embedding for Distributions
• Optimal Kernel Choice for Large-scale Two-sample Tests

著名学者

收录迁移学习领域的核心学者及其代表工作，详见 doc/scholar_TL.md

包括: 杨强(Qiang Yang)、Mingsheng Long (THU)、Sinno Jialin Pan等

应用领域

项目结构

transferlearning/
├── code/              # 统一代码库
│   ├── DeepDA/       # 深度域适应
│   └── DeepDG/       # 深度域泛化
├── data/             # 数据集与Benchmark
├── doc/              # 论文与文档
│   ├── awesome_paper.md
│   ├── scholar_TL.md
│   └── transfer_learning_application.md
├── notebooks/         # Jupyter教程
└── README.md

使用建议

入门路径:

1. 阅读Tutorials中的书籍和视频
2. 运行PyTorch微调教程
3. 在代码库中选择对应方法
4. 使用数据集进行实验

研究路径:

1. 阅读Survey了解各领域最新进展
2. 精读Theory论文理解理论基础
3. 复现state-of-the-art结果

引用

@Misc{transferlearning.xyz,
  howpublished = {\url{http://transferlearning.xyz}},
  title = {Everything about Transfer Learning and Domain Adaptation},
  author = {Wang, Jindong and others}
}

总结

Transfer Learning是迁移学习领域最全面的开源资源：

无论是入门还是做研究，这都是不可替代的资源库。