领域自适应理论概述：学习界限与理论保证调查

Apr, 2020

领域自适应理论概述：学习界限与理论保证调查

A survey on domain adaptation theory: learning bounds and theoretical guarantees

Ievgen Redko, Emilie Morvant, Amaury Habrard, Marc Sebban, Younès Bennani

TL;DR该论文综述了迁移学习中的一个具有代表性的子领域 —— 领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

Abstract

All famous machine learning algorithms that comprise both supervised and semi-supervised learning work well only under a common assumption: the training and test data follow the same distribution. When the distri

machine learning supervised learning semi-supervised learning transfer learning domain adaptation

发现论文，激发创造

领域自适应和迁移学习简介

介绍了机器学习中领域自适应和转移学习的数据分布变化问题，分类模型的风险最小化框架及其在复杂变化中的应用，并讨论了多种方法来解决这些问题，但要实现实用化仍需解决许多问题。

Dec, 2018

领域自适应简介

本文关注的是无监督领域适应问题，该问题中只在源域内提供标签。文章试图从不同角度解释领域适应的类别，并提出了一些成功的浅层和深层领域适应方法。

Oct, 2020

转移适应学习：十年综述

本文综述了过去十年中 TAL 方法学术的进展和技术挑战，并提出了广义解决方案，包括实例重新加权适应、特征适应、分类器适应、深度网络适应和对抗适应，以实现全面的理解和未来挑战的安全应用。

Mar, 2019

计算机视觉应用领域的适应性

本研究关注最近在计算机视觉领域的早期领域转移学习方法，强调借助标记数据从不同域进行域适应以在目标域中提高数据分类准确度。

Nov, 2012

统计分类器的领域自适应

通过最大熵分类器和线性链的组合，提出了一种基于条件期望最大化技术的统计方案。实验表明，该方法在自然语言处理领域的四个数据集中，可以提高三个真实世界任务的性能。

Sep, 2011

泛化到未见领域：关于领域泛化的调查

这篇论文是对近年来领域泛化（即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型）领域的最新进展的首次回顾，涵盖了相关的理论、算法、数据集、应用，并提出了未来的研究方向。

Mar, 2021

知识适应：教授如何适应

本研究提出一种基于知识蒸馏的领域自适应技术，针对多源无监督情感分析数据集，在考虑多个教师及其领域专业性的基础上，实现了最优结果，并提出一种可信度度量方法，用于选择高置信度示例及解决单一源情况下的领域适应问题。

Feb, 2017

最优传输理论分析的领域自适应

本文在探讨域自适应的过程中，提出了一种使用 Wasserstein 度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

Oct, 2016

小规模和异构生物数据集中的领域自适应

综述小规模和高度异质的生物学数据中的领域自适应方法，探讨了领域自适应在生物研究中的好处、挑战以及通过关键代表性方法进行的批判性讨论，提出了将领域自适应技术纳入计算生物学家的工具箱，并进一步开发定制方法的观点。

May, 2024

迁移学习的信息论分析

本文研究了迁移学习中的广义化误差和 excess risk 问题，提出了一种信息论分析方法。结果表明 Kullback-Leibler divergence 在特定环境中能很好地描述广义化误差，我们还将结果推广到一种特定的经验风险最小化算法中。同时，该方法在迭代，噪声梯度下降算法中有潜在的应用。

May, 2020