論文翻譯:Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation

摘要 監督學習的成功依賴於假設訓練和測試數據來自相同的潛在分佈，這在實踐中往往是無效的，因爲潛在的分佈轉移。鑑於此，現有的非監督域自適應方法大多集中於實現域不變表示和小源域誤差。然而，最近的研究表明，這並不足以保證在目標域上有良好的泛化，事實上，在標籤分佈位移下是有害的。此外，在許多實際應用中，從目標領域獲取少量標記數據並使用它們來促進源數據的模型訓練往往是可行的。受上述觀察的啓發，本文第一次提出

>>阅读原文<<