原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
传统机器学习的前提是假设训练集和测试集具有相同的特征空间和数据分布。然而,当两个相关数据集的特征空间或数据分布存在差异时,传统机器学习的训练模型并不能得到满意的效果。因此,解决此类问题的迁移学习被广泛研究。随着迁移学习的关注度越来越高,迁移学习在理论和实践上都取得了很大的进步。领域自适应作为迁移学习的一个分支,在执行两个相似任务的领域之间传递知识。根据特征空间的异同,领域自适应模型可以分为两类：同构领域自适应和异构领域自适应[1,2,3,4]。
同构领域自适应是为了解决源域和目标域之间特征维度相同但数据分布不同的问题。对于目标域中存在部分已标签样本的情况,Aytar等人提出了一种基于模型的迁移
文档评论（0）