摘要：传递迁移学习是利用源域知识来提高目标域学习能力的一种学习方法，已在各种应用中被证明是有效的。迁移学习的一个主要限制是源域和目标域应该是直接相关的，如果两个领域之间几乎没有重叠，则在这些领域之间执行知识转移将无效。受人类传递性推理和学习能力的启发，利用辅助概念将两个看似无关的概念通过一系列中间桥连接起来，本文研究了一个新的学习问题：传递性转移学习（transitive Transfer learning，简称TTL）。TTL的目的是在源域和目标域直接共享少量因素的情况下，打破大的域距离，传递知识。例如，当源域和目标域分别是文本和图像时，TTL可以使用一些带注释的图像作为中间域来桥接它们。为了解决TTL问题，我们提出了一个框架，首先选择一个或多个域作为源域和目标域之间的桥梁，实现转移学习，然后通过这个桥梁进行知识转移。大量的经验证据表明，该框架在多个分类数据集上产生了最新的分类精度。

2020年2月19日，欧委会发布《欧洲数据战略》报告（A European Strategy for data），概述了欧盟未来五年实现数据经济所需的政策措施和投资策略。该战略将在尊重欧洲“以人为本”的核心价值观基础上，通过建立跨部门治理框架、加强数据基础设施投资、提升个体数据权利和技能、打造公共欧洲数据空间等措施，将欧洲打造成全球最具吸引力、最安全和最具活力的数据敏捷经济体（data-agile economy）。 1. 面向数据访问和使用的跨部门治理框架 2. 使能作用：投资数据，增强欧洲数据托管、处理和应用能力 3. 能力：个人赋权，增强技能培养和中小企业投资 4. 针对战略领域和公共领域建设通用欧洲数据空间

DeepConvolutionalTransferLearningNetworkANewMethodforIntelligentFaultDiagnosisofMachineswithUnlabeledData(深度卷积迁移学习网络：一种新的无标记机器故障智能诊断方法) 雷亚国团队2018年文章。 机械智能故障诊断的成功依赖于两个条件。1)含有故障信息的有标签数据是可用的。2)训练和测试数据是从相同的概率分布中获取的。然而，对于大部分机械，很难获得大量的有标签数据。此外，尽管一些机械可以获取有标签数据，但是由于数据分布的差异，用这些有标签数据训练的智能故障诊断方法可能无法对从其他机械获得的无标

华东政法大学《古汉语》译文

操作者框架是一个支持多个相互通信的独立VI的软件库。在应用中，每个VI都是系统中某个操作者的一个独立任务。操作者可以记录自身状态，可以向其他操作者发送消息。创建这种应用程序，用到了LabVIEW中的许多技术。操作者框架易于学习（相对于其他可能更强大的工具），降低了死锁、竞争的风险，最大限度的提高了代码重用度。

基因表达式编程 原作译文，

超级详细的文章中文译文！而且是word版本哈哈哈！

最新技术SDN，openflow协议的controller floodlight。由BigSwitch公司研发。本文档是官方文档的中文翻译版本

在胶囊网络上使用迁移学习完成方面级情感分类，用文档级的知识迁移到方面级上，资源提供论文翻译。原文可自己下载

图像去雾算法的的原文，在本文中，我们提出了一个简单但有效的图像先验暗通道之前，从一个单一的输入图像去除混浊。暗通道先验是一种室外无雾图像的统计。这是基于一个关键的观察结果，大多数室外无雾图像中的局部斑点包含一些像素，这些像素在至少一个颜色通道中的强度非常低。利用这一先验模型，我们可以直接估计薄雾的厚度，并恢复高质量的无薄雾图像。在各种模糊图像上的结果表明了该算法的有效性。此外，作为除雾的副产品，还可以获得高质量的深度图。