为了学习Zero-shot Learning方面的知识，先对迁移学习做了一个基本了解。迁移学习是指data和所要做的任务不直接相关。比如给的数据是猫狗的照片和label，迁移学习有两种情况：第一，similar domain, different tasks，给的大象和老虎的照片（风格和猫狗照片类似），任务是分类大象和老虎；第二，different domains, same task，给的是高飞狗和招财猫的图片，任务要求分类猫狗。迁移学习和半监督、非监督学习的差别还是蛮大的，主要是因为迁移学习的测试集和训练集相差很远。
Overview
迁移学习有不同分类，主要看source data和target data有没有标签：
Model Fine-tuning
既有target data又有source data，都有label，但是target data非常少。One-shot learning就是指only a few examples in target domain的情况。例子：（监督学习）说话人辨识中，说话人的语音材料可能很少，但是其他人的语音材料可以成批获得。用source data来训练一个模型，再用target data来fine-tune这个模型。（fine-tune就是说把source data的模型当成初始模型，再用target data继续训练下去）但是要注意到target data太少了，要小心过拟合。
这里fine-tuning可以用Conservative training的方法，即加一个constraint，让用target data新训练的模型和原来的模型不要差太多（新旧模型在看到同一笔输入的时候，输出相差不要太大，或者新旧模型的参数的l2范式相差不要太大）。
也可以用Layer transfer的方法，即copy原模型中的几个layer到新模型中去，只训练剩下的几个没有copy的layer，这样就可以防止改动过大（过拟合）。最后如果数据量充足的话，也可以再用target data来fine-tune整个新模型。
关于layer transfer，有几个问题：
有哪些模型可以被transfer（copy）呢？在语音辨识时，通常copy最后几层，因为前几层主要是来提取各个说话人的发音方式，后面几层是得到发音方式后得到说话内容，后几层是普适的；而在图像辨识时，通常copy前几层，因为cnn的前几层都是为了提取最简单的特征，可以普适，而后面提取的特征更特殊。
Muti-task Learning
不像fine tuning只关注target domain，muti-task learning会关注两个domain。比如神经网络中两个任务共用前面几层，或者是共用中间几层。应用在多语言辨识上，前几层将声音特征做提取，可以共用网络，后面几层再分语种。
如果两个任务不相关的话，很容易影响迁移学习的效率。所以提出了progressive neural network的方法。先以task1为目的训练一个模型，在做下一个task的时候，每一层的参数会参考到之前的所有模型的上一层。这是一个idea，有待发掘。
Domain-adversarial Training
对应source有label但是target没有label的情况。可以理解为Training data和testing data非常mismatch。希望神经网络在前几层做完特征提取之后，target和source的domain不要区分的太明显，即把domain的特性取消掉。
Domain classifier要做的就是识别提取出来的特征是source还是target，而训练时特征提取层会尽量从target data中提取出类似于source data的特征来“骗过”（满足）domain classifier。同时要欺骗也很简单，所以为了又向source特征看齐、又保证提取的完整完备，在后面又接了一个label predictor，给提取出来的特征做分类。
Zero-shot Learning
也是source data有标签但是target data没有标签，但是对task的定义更严格，要求source和target做的是different tasks。在语音辨识中就有这样的例子，source（training）语料中不可能有全部可能出现的词汇，于是我们不去训练一个发音怎么识别成单词，而是训练一个发音怎么识别成一个音标，建一个文字对应音标的词典，然后从音标映射过去就好了。
在图像识别中，我们用attributes来表示每个类，建立一个database来存放每个类的特征情况。训练的时候从图片读取特征情况。
那么应用到测试集的时候，只需要读取输入的特征情况，然后去找和数据库中特征情况最接近的那一类即可。于是可以得出ZSL的问题定义：利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。
图像和attributes都可以描述成vector（通过embedding）。把图像x和特征y都做降维，通过embedding function f和g把这些向量都降到同样的dimension。训练时的目标是让同一个物体的x和y做了embedding后尽量接近。
如果没有database怎么办呢？可以借用word embedding，把attributes映射后的向量变成word vector：
Loss function的设计也有讲究，不仅要让同种的f和g接近，还要让不同种的向量彼此远离。即在种外找一个最接近的，然后保证即使是这个最近的做内积，也还要比种内做内积的小一个k。
关于zero-shot learning，还有一个Convex Combination of Semantic Embedding的方法。这个方法只需要off-the-shelf NN for ImageNet and word vector。比如输入一个狮虎兽，输出显示0.5概率是狮子，0.5概率是老虎，那么在词向量上取狮子和老虎的向量的中点，然后找离这个中点最接近的vector，发现是狮虎兽。
再举一个语音识别的zero-shot learning例子。机器翻译时，学会将不同语言的句子先翻译成语义（对应vector），而不是直接从语言到语言，这样没有训练过的语言对也可以进行翻译了。
ZSL的相关论文：
Self-taught Learning
有大量的没有标签的source data，可以用这些数据去训练一个好的特征提取器，然后再用这个feature extractor去从target data中提取特征。略。