论文笔记 —— 《Domain Adaptation via Transfer Component Analysis》

论文笔记 —— 《Domain Adaptation via Transfer Component Analysis》

论文笔记 —— 《Domain Adaptation via Transfer Component Analysis》

本文截图来自link，侵删。

1. 通过降维达到迁移学习——迁移成分分析（TCA, transfer component analysis）。
2. PCA是一个大矩阵进去，一个小矩阵出来，TCA呢，是两个大矩阵进去，两个小矩阵出来。
3. 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。
4. 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】。
5. 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。
6. KL散度和MMD都可以表示域间差异。
7. 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。