1、1迁移学习迁移学习是一种一般在数据集小且计算资源有限时使用的技术其理念是在开发瞄准其他相似任务的新模型之时，重用预先。

2、迁移学习和数据增强的方法的结合使得Transformer在处理小数据集的任务时更加得心应手在该篇文章中，作者选择BaeyerVilliger反面向小数据集的迁移学习；面向小数据集的迁移学习我们提出面向小数据集的迁移学习了一种有效的迁移学习方法，可以应用于自然语言处理中的任何任务，并引入对语言模型进行微调的关键技术我们的方法在；迁移学习通常需要来自不同但相关任务的更多标记数据，其核心通常是将知识从一个监督学习任务转移到另一个因此，对于这些其他。

3、迁移学习将在源数据域训练得到的模型权重作为目标数据集的初始化权重，根据需要修改全连接层输出，重新训练VGG16网络对网；然而，主流的机器学习训练常常只能提供“黑盒”预测模型，在同源数据集内具有较好的预测效果，但在迁移泛化到不同源体系时经常。

4、面向小分子数据集的方法总结作者总结并分析了面向分子科学小数据挑战的新兴潜在解决方案首先，作者介绍了一些基础的机器学习。