Domain Adaptation
含义：在经典的机器学习中，当 源域 和 目标域 数据分布不同，但是两者的任务相同时，这种 特殊 的迁移学习就是域自适应（Domain Adaptation）
上面含义若看不太懂，简要解释如下：我们一般都是假设训练集和测试集分布一致，但是在实际中，训练集和测试集其实分布会有差异，因为测试场景非可控，因此存在测试集和训练集分布有很大差异的情况，这时候训练好的模型在测试集上效果却不理想，为解决这样的问题，出现了迁移学习。 简单举例来说：我们熟知的人脸识别，如果用东方人人像来训练，最后用于识别西方人，那当然性能会明显下降。
1. 源域与目标域区别在哪？
首先对于解决数据分布不同问题，一般都是通过学习一个特征转换来入手，使得在转换过后的特征空间上，源数据 和 目标数据 分布的区分度达到最小。源域与目标域区别主要体现在数据分布上，这个问题又分为三大类：
| 类型 | 边缘分布 | 条件分布 |
|---|---|---|
| ① | 相同 | 不同但相关 |
| ② | 不同但相关 | 相同 |
| ③ | 不同但相关 | 不同但相关 |
边缘分布：数据在特征空间中的分布，初学者可以把特征空间理解为数据分布或者数据信息就好。一般给你几万张图片，它们的分布是怎样？衡量图像分布我们通过特征（例如，haar特征，梯度，颜色直方图等等）来实现，将图像特征量化成数字，分布就能看出来了。
条件分布：某个确定样本的分类概率分布了，例如：伯努利分布等。
2. 不同的域自适应方法
- 样本自适应：对源数据每一个样本加权，学习一组权使得分布差异最小化，然后重新采样，从而逼近目标域的分布。
-
特征自适应：将源域和目标域投影到公共特征子空间，这样两者的分布相匹配，通过学习公共的特征表示，这样在公共特征空间，源域和目标域的分布就会相同。
-
模型自适应：考虑目标域的误差，对源域误差函数进行修改。假设利用上千万的数据来训练好一个模型，当我们遇到一个新的数据领域问题的时候，就不用再重新去找几千万个数据来训练，只需把原来训练好的模型迁移到新的领域，在新的领域往往只需相对较少的数据就同样可以得到很高的精度。实现的原理则是利用模型之间存在的相似性。
