我很好地理解监督和非监督学习，并且能够识别一些“基本”示例，例如监督分类：
- 支持向量机
- 随机森林
- 逻辑回归
这些是该领域的关键作品，有大量可用的代码和出版物。
我现在开始研究监督学习中的域适应，其中已知在学习和测试时数据的分布是不同的。尽管阅读了一些文献，但我没有发现任何类似的“基本”方法一次又一次地出现。相比之下，似乎有很多完全不同的方法可以实现这一目标，其中许多方法仅在文献中出现几年。
是否有这种关键的、既定的域适应方法？目前最流行的方法是什么？
什么是最流行的领域适应方法（用于迁移学习）？
机器算法验证
机器学习
分类
数据转换
领域适应
2022-04-03 13:58:56
1个回答
域适应是试图改变源域以使源域分布更接近目标域分布的过程。在许多情况下，域适应方法是对传统机器学习领域的基本算法的修改，它们试图考虑训练集和测试集分布之间的差异。例如，一种流行的 DA 算法是 TrAdaboost，它是一种 Boosting 算法，是 Adaboost 算法的修改。另一个问题是 DA 方法是基于他们试图解决的两个领域之间的差异类型开发的。他们中的一些人试图接近边际分布，而另一些人则试图接近条件分布。
在我看来，它们不存在与传统机器学习相同意义上的基本或流行方法，因为 DA 方法与应用程序或它们所基于的假设密切相关。您可以了解研究这些调查的现有方法的最新技术：
潘，SJ；YANG, Q. 迁移学习调查。IEEE Transactions on Knowledge and Data Engineering, v. 22, n. 10 页。1345–1359，出。2010 年。
Weiss, K., Khoshgoftaar, TM & Wang：迁移学习调查。D. J 大数据，2016。