本文共 508 字，大约阅读时间需要 1 分钟。

《Dropping Networks for Transfer Learning》这篇文章前面看了一小部分，综合之前看过的论文，个人有个感觉就是真正的国外学者的英语确实更难一些（读起来真的是费劲，笔者的渣渣英语水平被轰成渣）。

所以这里具体内容就不写了，就写一下结论部分。

结论一共是4条：

1.相对于Bagging神经网络或单神经网络而言，Dropping网络的模型平均特性显示出显著的优势，特别是当dropout比较高的时候(p=0.5)，导致每个模型具有更高的多样性和特殊性。

2.转移的方法仅依赖于一个额外参数γ。另外,使用更高的衰减率γ(0.9 - -0.95)更适合于密切相关的任务。

3.按照与在线误差曲线拟合的平滑样条的斜率成比例减小γ，表现比任意阶跃变化或γ的固定速率更好（相当于静态硬参数集体迁移）

4.如果距离远的任务需要知识迁移，而负迁移的的可能影响没有处理的话可以忽视这部分知识。建议的加权方案考虑到了这一点，这反映在表3中，表明M + Q→S对比S + Q→M表现出最大的改善，与传递M + Q→S的表2中提出的替代方法相比表现比M→S差。

。。。就这样了，以后有机会再好好读读这篇文章。