域自适应学习研究进展
传统的机器学习假设测试样本和训练样本来自同一概率分布。但当前很多学习场景下训练样本和测试样本可能来自不同的概率分布。域自适应学习能够有效地解决训练样本和测试样本概率分布不一致的学习问题，作为机器学习新出现的研究领域在近几年受到了广泛的关注。鉴于域自适应学习技术的重要性，综述了域自适应学习的研究进展。首先概述了域自适应学习的基本问题，并总结了近几年出现的重要的域自适应学习方法。接着介绍了近几年提出的较为经典的域自适应学习理论和当下域自适应学习的热门研究方向，包括样例加权域自适应学习、特征表示域自适应学习、参数和特征分解域自适应学习和多源域自适应学习。然后对域自适应学习进行了相关的理论分析，讨论了高效的度量判据，并给出了相应的误差界。接着对当前域自适应学习在算法、模型结构和实际应用这三个方面的研究新进展进行了综述。最后分别探讨了域自适应学习在特征变换和假设、训练优化、模型和数据表示、NLP研究中存在的问题这四个方面的有待进一步解决的问题。
域自适应学习、迁移假设、单源域-单目标域、多源域-多目标域、域自适应学习理论
TP3;TN9
国家重点基础研究发展计划973计划2012CB720500;国家自然科学基金21006127;中国石油大学北京基础学科研究基金JCX K-2011-07资助Supported by National Basic Research Program of China 973 Program2012CB720500;National Natural Science Founda-tion of China21006127;Basic Subject Research Fund of China University of PetroleumJCXK-2011-07
2014-09-09（万方平台首次上网日期，不代表论文的发表时间）
共25页
1576-1600
