论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》
- Joint Distribution Adaptation联合分布适配(JDA):降维过程中联合边缘分布和条件分布,并构造新的特征表示。
- 现有的迁移学习方法大致可以分为两类:实例重加权和特征提取,后者分为属性保存和分布适配(需要一些标记的目标数据,要么需要多个源域来进行一致学习)。
- 没有目标域的标签怎么办?通过将一些基于标记源数据训练的基分类器应用于未标记的目标数据,可以很容易地预测目标数据的伪标签。则可以匹配条件分布。
- 目标是同时最小化跨域的边缘分布和条件分布的差异。
- TCA使JDA的一个特例,c=0。