论文笔记 —— 《Domain Adaptation via Transfer Component Analysis》
- 通过降维达到迁移学习——迁移成分分析（TCA, transfer component analysis）。
- 发现一个好的特征表示能够尽可能减少域之间分布的差异，同时保留原始数据的重要(几何或统计)属性。
- 方法：用MMD学习一个在RKHS中跨域的迁移成分【利用特征提取方法，通过新的参数核进行域自适应，将数据投影到所学习的Transfer Component上，极大地减小了域分布之间的距离】。
- 不同但相关的域下面一定存在着公共因子（Transfer Component）和差异因子，我们就是要找到不会导致跨域分布变化的公共因子，这个子空间可以减小数据分布的差异。
- KL散度和MMD都可以表示域间差异。
- 使用TCA学习的特征表示，SVM在跨领域分类中表现最好。这是因为TCA不仅发现了文本数据背后的潜在主题，而且还匹配了潜在主题所跨域的分布。
来源：CSDN
作者：IvyZZxy
链接：https://blog.csdn.net/ZZhangxyuuu/article/details/103465862