在生产实际中，一个新的任务通常和已有任务存在一定的联系。迁移学习方法可以将已有数据集中的有用信息，迁移到新的任务，以减少重新建模过程中大量的时间和费用消耗。然而，由于任务之间的分布差异，在异构环境下如何避免负面迁移问题，仍未得到有效的解决。除了要衡量数据间的相似性，还需要衡量实例间的相关性，而大多数传统方法仅在一个层面进行操作。提出了基于压缩编码的迁移学习方法（TLCC），建立了两个层面的算法模型，具体来说，在数据层面，数据间的相似性可以表示为超平面分类器的编码长度，而在实例层面，通过进一步挑选出有价值的实例进行迁移，提升算法性能，避免负面迁移的发生。实验结果表明，提出的算法相比其他算法具有明显的优势，在噪声环境下也有较高的准确度。
