【摘要】传统的机器学习假定训练域与测试域独立同分布，将由训练数据集得到的模型直接应用于测试集。但在实际应用中，这种假设并不一定成立，若训练域与测试域分布存在差异，则传统机器学习的性能将会大大降低，故领域自适应学习得以提出，其目标是在领域间建立桥梁，提高测试域预测性能，并广泛应用于解决现实世界中的分类、回归、概率密度估计等机器学习问题。目前，许多国内外专家学者对领域适应学习进行了深入的研究，并获得了 […]

【摘要】随着信息革命的来临，信息技术高速发展，机器学习作为一种知识学习手段被越来越多的应用在社会各个领域。如何从海量纷杂的信息中提取有效信息在数据挖掘、数据校正、数据预测等领域上有着重要的意义。但随着研究与应用的深入，传统的机器学习出现了各种局限性，影响到了系统识别率和识别速度，其中比较重要的一条即传统机器学习在面对跨领域和多领域学习时自适应性较差，这是因为传统的机器学习方法大都假设训练数据与测试 […]