四、迁移学习应用案例
下面说一下我和我的学生一起做的迁移学习的工作，尤其是跟深度学习结合。
一个叫戴文渊的学生，在第四范式这个公司做的工作就很有意义，他们为银行做一个大额产品的营销，比如说车贷，比较贵的车贷的样本非常少，少于100个，这么少的数据是没办法建模型的，怎么办？去借助小微贷款的数据，比如说上亿客户的交流，然后发现两个领域，一个是小微贷款，一个是大额贷款，它们之间的共性，把这个模型迁移过来，这就使得它的响应率提高了2倍以上。
另外是我们要去发表的一篇文章，做舆情分析。我们知道舆情分析是非常有用的，不管是在商业上还是在政府的服务上，大家都希望了解那么多的留言，是正向还是负向的？为什么是这样的？对哪些产品有兴趣？大家对哪个服务满意？等等。我这里给出两个不同的领域，如果我们在一个领域已经有像最左边这里给出的标注，比如说Great，这就是一个赞；说这个是Owful book，就给出一个差。我们的问题是能否借助相同领域的数据来减少我们的分量，使得我们建立一个靠谱的模型，在新的领域——目标领域。这是一个非常好的迁移学习的场景。
但是过去做迁移工作时，需要有一个概念叫Pivot，两个领域之间共享的关键词，这两个关键词对于指出这个是正向和负向也是非常有用的，像Great这个词，Boring和Awful，以前完全是靠人找到这两个词，我们知道这是不靠谱的。
我们通过迁移学习把这个词找出来，在这里用的工具是Adversarial模型，在一堆摹本里找出关注量比较大的词和词组，有了这一Adversarial模型，就可以自动打分。打的分数是否靠谱，可以用另外一个Domain Label的词告诉我们，什么样的词才有这样的特性？首先两个领域共享，能够帮助我们在新领域共同地指出舆情的趋向。同时希望模型越少越好，就是这三件事翻译成目标函数里，就能建立模型。左边是舆情的Classifier，右边是领域的。我们同时希望领域的混淆度越大越好，同时希望Sentiment（舆情）的准确率越高越好，这两个之间形成博弈，就形成了GAN的概念。另外是多任务学习，就是两个任务共同进行、共同有一些共享。
最后我们在正确设定了一些距离函数和Loss以后，就可以学出来，效果非常好。
最后一个应用是和上海汽车做的研究，汽车在跑的时候能否根据它的路况分析车到底做什么？是共享还是私用的？我们很荣幸得到了一些数据，在这些数据里可以同时进行两种分析，一种是图像分析，虽然我们本领域没有太多的标注数据，但是可以借用出租车来学习。左边的是同时做两个任务的学习，第一个是根据现在出租车的数据，来帮助我们标注互联网汽车的数据。但是这个当中可能会有错误，所以我们在本领域可以用一些图像分析来矫正这些错误，校正完再拿回来拓展这样的一个样本集。在这两个之间进行多次往返以后，就会得到一个很靠谱的模型，最后这样的一个算法我们就可以得到一个很不错的迁移效果。
最后总结一下，迁移学习和深度学习可以非常有机地结合，两个是可以互补的。深度学习帮助我们分非常细的层次，每一层可以进行量化的分析，迁移学习可以帮助深度学习变得更加靠谱，得到的一个结果就是深度学习的迁移模型，同时也应该说是迁移学习的一个深度模型。
（本报告根据速记整理）
