在迁移学习中，样本筛选是一个重要的步骤，用于选择适合迁移的样本。以下是一些常见的样本筛选方法：

  1. 相关性筛选：这是一种基于特征相似性的筛选方法。通过计算源领域和目标领域样本之间的相似度，选择那些在特征空间中相似的样本，因为相似的样本更有可能迁移成功。

  2. 置信度筛选：这是一种基于模型的投票筛选方法。首先，在源领域上训练一个模型，然后用这个模型对目标领域的样本进行预测，计算每个样本的置信度。接着，选择那些置信度高于一定阈值的样本进行迁移。

  3. 难例筛选：这是一种基于样本难易程度的筛选方法。难例通常指那些在源领域上表现良好，但在目标领域上表现较差的样本。通过计算源领域和目标领域样本之间的差异度，选择那些差异度较大的样本进行迁移。

  4. 类别平衡筛选：这是一种基于类别平衡的筛选方法。在迁移学习中，源领域和目标领域的类别分布往往不一致。为了保持类别平衡，可以选择保留目标领域中每个类别的样本数量均衡的样本进行迁移。

  以上仅为一些常见的样本筛选方法，实际应用中可能会结合多种策略进行筛选。选择合适的筛选方法需要考虑具体问题的特点、数据集的特征以及实际需求。