领域自适应(Domain Adaptation, DA)解决从有监督数据集到无监督数据集的知识迁移问题。在深度学习时代，不变表征学习(Invariant Representation Learning)是领域自适应(Domain Adaptation)中的主流方法。不变表征学习减少了源领域(Source Domain)和目标领域(Target Domain)之间的表征分布距离，从而学习到不变表征(Invariant Representation)。不变表征学习构成了领域自适应方法的核心，获得了很大成功，但不可能定理(Impossibility Theorem)揭示出在标签偏移(Label Shift)和领域支撑集偏移(Shift in the Support of Domains)两种困难情况下，不变表征学习具有泛化误差下界，因而具有明显的局限性，是领域自适应的开放性难题。

 

论文链接：https://arxiv.org/pdf/2103.03571.pdf

代码：https://github.com/Liuhong99/CST

内容中包含的图片若涉及版权问题，请及时与我们联系删除