第18章 迁移学习
覆盖协变量移位与类别平衡变化下的迁移学习；用模型空间、单反例拟合轨迹和独立验证门完成复核。
学习目标
- 能说明“第18章 迁移学习”如何覆盖协变量移位与类别平衡变化下的迁移学习，并把2013原版范围、独立论文核验与当前迁移分层
- 能先预测“怎样识别源域与目标域变化类型，并通过重要性权重修正风险而不假设标签机制任意改变？”的五阶段统计链，再用输入、目标、求解、验证与反例逐层复核
- 能注入“分布机制不满足协变量移位却直接套重要性权重，少数样本权重爆炸”，用“源/目标采样、变化假设、密度比或类别先验、权重裁剪和目标验证固定”决定接受、修正或拒绝学习结论
为什么从这个统计学习任务开始
迁移页先诊断哪一部分分布改变，再决定能否用重要性加权修正。 “第18章 迁移学习”的贯穿任务是：从源域训练并在目标域评估，分别模拟输入分布变化与类别比例变化。 操作前必须写下哪个模型状态、风险项或验证结果会先变化，运行后再补理由不算预测。
本页围绕“怎样识别源域与目标域变化类型，并通过重要性权重修正风险而不假设标签机制任意改变？”建立基线、边界反例与恢复路径。只有“第18章 迁移学习”守住“源/目标采样、变化假设、密度比或类别先验、权重裁剪和目标验证固定”并交付域标签、分布诊断、密度比或先验、权重分布与裁剪、有效样本量、加权损失、目标验证和假设反例。，最终指标才构成统计学习证据。
书目、88个原版层级与独立重写边界
讲谈社官方书页确认杉山将《イラストで学ぶ 機械学習》于2013年出版、232页、ISBN 9784061538214，并公开6部分20章；中文版目录与书目用于交叉核对许永伟译、人民邮电出版社2015年版及62个编号小节。覆盖分母为6部分、20章和62个编号小节，共88个原版目录层级。
“第18章 迁移学习”未取得原书完整正文，只以权威目录限定范围；中文解释、图示结构、交互、实验、练习与答案均为独立教学重写。迁移学习按原版两类分布变化讲，不等同于现代预训练模型微调。
本页另以技术核对 1、技术核对 2核对算法机制。论文、作者与出版社资料能验证定义、假设或历史事实，不能反向证明原书正文采用了本站表述。
原版目录层级与统计机制
第18章 迁移学习
↡迁移学习对应原版目录坐标“第18章 迁移学习”，在“第18章 迁移学习”中用于诊断分布变化并用重要性权重修正风险，并受数据角色、分布假设、目标、求解与验证边界约束。原版坐标 1/3。 在“第18章 迁移学习”的坐标1中，目录项「第18章 迁移学习」用于诊断分布变化并用重要性权重修正风险；先冻结数据角色，再以域、变化假设、密度比、权重、有效样本量与目标验证复核，出现假设不成立仍强行加权时撤回结论。
18.1 协变量移位下的迁移学习
↡协变量移位下的迁移学习对应原版目录坐标“18.1 协变量移位下的迁移学习”，在“第18章 迁移学习”中用于诊断分布变化并用重要性权重修正风险，并受数据角色、分布假设、目标、求解与验证边界约束。原版坐标 2/3。 目录项「18．1 协变量移位下的迁移学习」进入“第18章 迁移学习”后要回答第2个问题：它怎样诊断分布变化并用重要性权重修正风险、优化什么、由哪些域、变化假设、密度比、权重、有效样本量与目标验证证明，并如何排除假设不成立仍强行加权。
18.2 类别平衡变化下的迁移学习
↡类别平衡变化下的迁移学习对应原版目录坐标“18.2 类别平衡变化下的迁移学习”，在“第18章 迁移学习”中用于诊断分布变化并用重要性权重修正风险，并受数据角色、分布假设、目标、求解与验证边界约束。原版坐标 3/3。 围绕“怎样识别源域与目标域变化类型，并通过重要性权重修正风险而不假设标签机制任意改变？”，原版层级3把「18．2 类别平衡变化下的迁移学习」解释为诊断分布变化并用重要性权重修正风险；复核者先读取域、变化假设、密度比、权重、有效样本量与目标验证，不能接受假设不成立仍强行加权。
先预测，再操作三个章专属实验
1. 模型空间与风险贡献
固定“从源域训练并在目标域评估，分别模拟输入分布变化与类别比例变化。”，在基线与边界样本间切换，逐一查看“源/目标样本、变化假设、密度比/先验、加权风险、目标域验证”的输入、变换、输出与证据。
模型空间
固定样本，追踪模型到风险
怎样识别源域与目标域变化类型，并通过重要性权重修正风险而不假设标签机制任意改变？
条件
从源域训练并在目标域评估，分别模拟输入分布变化与类别比例变化。 使用冻结训练/验证/测试角色。
预测
沿“源/目标样本 → 变化假设 → 密度比/先验 → 加权风险 → 目标域验证”形成预注册输出。
目标
满足“源/目标采样、变化假设、密度比或类别先验、权重裁剪和目标验证固定”。
风险贡献
按本页目标计入经验风险，并与简单基线同口径比较。
阶段输入
第18章 迁移学习：冻结的问题、样本与数据角色
变换
登记单位、切分、分布和形状，并守住“源/目标采样、变化假设、密度比或类别先验、权重裁剪和目标验证固定”
阶段输出
可追溯样本
复核证据
数据卡、索引与哈希；若出现“分布机制不满足协变量移位却直接套重要性权重，少数样本权重爆炸”就保留失败运行
原版坐标：第18章 迁移学习、18.1 协变量移位下的迁移学习、18.2 类别平衡变化下的迁移学习
第18章 迁移学习的可重放统计协议
| 阶段 | 学习动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 源/目标样本 | 在“第18章 迁移学习”执行源/目标样本，一次只改变预注册变量 | 任务、样本角色、分布、版本与输入 | 数据角色或假设不可追溯 |
| 变化假设 | 在“第18章 迁移学习”执行变化假设，一次只改变预注册变量 | 表示、模型、风险、约束、参数或求解轨迹 | 分布机制不满足协变量移位却直接套重要性权重，少数样本权重爆炸 |
| 密度比/先验 | 在“第18章 迁移学习”执行密度比/先验，一次只改变预注册变量 | 表示、模型、风险、约束、参数或求解轨迹 | 分布机制不满足协变量移位却直接套重要性权重，少数样本权重爆炸 |
| 加权风险 | 在“第18章 迁移学习”执行加权风险，一次只改变预注册变量 | 表示、模型、风险、约束、参数或求解轨迹 | 分布机制不满足协变量移位却直接套重要性权重，少数样本权重爆炸 |
| 目标域验证 | 在“第18章 迁移学习”执行目标域验证，一次只改变预注册变量 | 独立指标、稳定性、反例与环境 | 无法独立重放或解释失败 |
unit: "iml-18"
question: "怎样识别源域与目标域变化类型，并通过重要性权重修正风险而不假设标签机制任意改变？"
scenario: "从源域训练并在目标域评估，分别模拟输入分布变化与类别比例变化。"
stages: ["源/目标样本", "变化假设", "密度比/先验", "加权风险", "目标域验证"]
invariant: "源/目标采样、变化假设、密度比或类别先验、权重裁剪和目标验证固定"
fault: "分布机制不满足协变量移位却直接套重要性权重，少数样本权重爆炸"
evidence: "域标签、分布诊断、密度比或先验、权重分布与裁剪、有效样本量、加权损失、目标验证和假设反例。"
reset: restore_case_stage_trace_mode_step_gates_and_artifact该协议要求“第18章 迁移学习”在相同任务、数据角色、分布、代码、环境和种子下重放。重置后若样本情形、阶段、拟合模式、步骤、验证门或证据包没有回到基线，交互状态已经污染比较，不能作为结论。
本页回顾
掌握“第18章 迁移学习”不是记住算法名，而是能围绕“怎样识别源域与目标域变化类型，并通过重要性权重修正风险而不假设标签机制任意改变？”重建统计假设、风险与验证，并用“源/目标采样、变化假设、密度比或类别先验、权重裁剪和目标验证固定”拒绝“分布机制不满足协变量移位却直接套重要性权重，少数样本权重爆炸”。最终交付为域标签、分布诊断、密度比或先验、权重分布与裁剪、有效样本量、加权损失、目标验证和假设反例。
练习与答案
练习
- 问题 1：统计合同。 “第18章 迁移学习”为什么必须先冻结任务、数据角色、分布假设、代码、环境与种子？
- 问题 2：目录逐项覆盖。 怎样证明原版目录坐标已经进入机制、交互和练习？
- 问题 3：反例恢复。 怎样证明“分布机制不满足协变量移位却直接套重要性权重，少数样本权重爆炸”已经被修正？
小结
- 迁移学习复用已有知识
- 源域到目标域适配
- 预训练微调是主流
- 领域差异要弥合
- 小数据场景的利器
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- 迁移学习
对应“第18章 迁移学习”；在“第18章 迁移学习”中用于诊断分布变化并用重要性权重修正风险，需要连接原版范围、统计假设与独立验证。
- 协变量移位下的迁移学习
对应“18.1 协变量移位下的迁移学习”；在“第18章 迁移学习”中用于诊断分布变化并用重要性权重修正风险，需要连接原版范围、统计假设与独立验证。
- 类别平衡变化下的迁移学习
对应“18.2 类别平衡变化下的迁移学习”；在“第18章 迁移学习”中用于诊断分布变化并用重要性权重修正风险，需要连接原版范围、统计假设与独立验证。