本文主要介绍域自适应（Domain Adaptation）最基本的学习理论，全文不涉及理论的证明，主要是对部分理论的发展脉络的梳理，以及对理论的直观解释，目的是：

 

1. 通过这些分析启发后续域自适应算法的设计；

2. 帮助读者分析域自适应算法在具体应用中失效的原因，并提供一些改进的思路。

阅读本文前，你需要了解最基本的学习理论，包括：

 

  • 泛化误差界（Generalization Bound ）
  • 概率近似正确（PAC Learning）
  • Rademacher 复杂度 

 

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