JPDA

Transferability versus Discriminability:Joint Probability Distribution Adaptation (JPDA)

最新的一篇迁移学习（传统方法）
读后感。。。

一、introduction

传统的迁移学习可以分成：
基于参数的：需要目标域中有带有label的样本
基于实例的：需要源域和目标域有相同的条件分布
基于特征的：需要源域和目标域存在一个共同的子空间，源域和目标域有相似的分布即可。

那么这篇文章就是：无监督的，基于特征的transfer learning

二、以前基于特征的transfer learning

一般基于特征的TL：
目的：通过一个分布矩阵（A）来降低源域和目标域的分布差异。
这些分布矩阵有：MMD（最常用）, KullbackLeibler divergence, Wasserstein distance等。
MMD: 主要用边缘分布和条件分布来衡量。（TL 方法：TCA，JDA，BDA）

三、本文提出的方法 （JPDA）

首先，他提出了两个因素，在衡量DA（基于特征迁移的方法）
1、transferability&