【迁移学习】STL（Stratified Transfer Learning）小结

STL（Stratified Transfer Learning）分层迁移学习：

问题描述

提出了一个CDAR的问题：源域和目标域数据具有相同的维度、相同的标记，但是P（Xs）不等于 P（Xt）同时P（Ys|Xs）不等于P（Yt|Xt）。交叉领域学习的目标是利用源域的标记和数据来获取标记Yt。
整体farmworke 分为三个部分：
Majority Voting
Intra-class Transfer
Secend annotation

Majorigty Voting:
算是STL的预处理部分。通过在源域上训练好了的分类器对目标域进行分类，来给目标域打上伪标签。起到初始分类的作用。同时在分类过程中，有一部分难以分类的（或者说某个数据在分类器输出的可能性最大的标记也太小）将其标记为难以分类的部分。
这里的分类器可以有许多种选择比如SVM、PCA等，也可以用多个分类器共同决策。

Intra-class Transfer：
STL的核心步骤，原理是在伪标签的基础上进一步挖掘类内关系，从而进行迁移学习。在伪标签的每一类中分别进行特征迁移，最终将每一个类的特征子空间合成为一个子空间。
文章利用MMD（Maximu