报告人：戴玮
报告时间：2012.09.05

文章信息：Raina et al, (2007). "Self-taught Learning: Transfer Learning from Unlabeled Data". Proceedings of the 24th International Conference on Machine Learning, Corvallis, OR

文章简介：

Problem: 结合无监督学习与迁移学习，希望无监督学习得到的特征可在多种任务上都有较好表现
Motivation: 对于某些特定的目标任务，我们可能难以获得数据的标签，比如SAR图像中的目标（需要专业判读人员标注），甚至连数据本身都不易获取，比如某些珍稀动、植物的图像。 然而，我们在目标任务之外，还拥有大量的未标注数据（可能是不同于目标任务的数据，比如，我们找不到珍稀动、植物的图像，但普通动、植物的图像很容易找到）。我们希望利用这些未标注数据中蕴含的信息，使其在当前所关注的任务上具有较好性能。
Idea: 本文所提的算法实际上是类似于KSVD的较为一般的字典学习算法。如果说这种算法学习得到的特征具有良好的迁移性，我想是难以令人信服的。我认为本文的贡献还是更多地在于提出了这样一种思想——让无监督学习的特征也能很好地迁移（不同于先前的迁移学习方法），而不在于具体算法。显然，这里还有极大的改进空间。黄开竹老师的论文《Supervised Self-taught Learning》（杨杰同学9月19日所做Paper Reading）就是一项不错的工作。