迁移学习分哪几类？预训练模型属于哪一类迁移学习？

迁移学习是一种机器学习方法，通过利用源领域（已有知识）的信息来提高目标领域（新的任务）的学习效果。根据迁移学习的方式和目标，可以将其分为以下几类：

1. **实例迁移学习（Instance-based Transfer Learning）**：
- 通过重新加权或选择源领域中的样本来帮助目标领域的学习。
- 适用于源领域和目标领域具有相似数据分布的情况。

2. **特征迁移学习（Feature-based Transfer Learning）**：
- 通过学习一个共同的特征表示，使得源领域和目标领域的特征在同一个空间中具有相似的分布。
- 适用于源领域和目标领域具有不同数据分布但共享某些特征的情况。

3. **参数迁移学习（Parameter-based Transfer Learning）**：
- 通过共享模型参数来迁移知识，通常在源领域和目标领域具有相似的模型结构时使用。
- 适用于源领域和目标领域具有相似任务和模型结构的情况。

4. **关系迁移学习（Relation-based Transfer Learning）**：
- 通过迁移关系知识来帮助目标领域的学习，通常在源领域和目标领域具有相似的关系结构时使用。
- 适用于源领域和目标领域具有相似关系结构的情况。

预训练模型属于**特征迁移学习**。预训练模型通常在一个大规模的数据集上进行训练，学习到一个通用的特征表示，然后通过微调（fine-tuning）来适应特定的任务和领域。这种方式利用了预训练模型在源领域学到的特征表示，从而提高了目标领域的学习效果。