DA(domain adaption):当训练集与测试集之间的分布有差异时，学习一个易于区别的分类器。
参考文章：unsupervised domain adaption by backpropogation
1、需求：
- 有标签的训练数据量较小；
- 训练集与测试集数据分布的偏移；
2、关键点：构建源域与目标域之间的映射关系；
3、previous domain adaption：worked with fixed feature representations。
4、本文特点：同时进行域适应学习与特征学习：
同时训练两个分类器：
- label predictor：预测标签的分类器；
- domain classifier：在训练时区分出训练集与测试集之间的特征的易于区分性；
- 迭代时的目标函数：
- 最小化label predictor分类器的loss函数：
- 最大化domain classifier分类器的loss函数：
5、目标：选出的特征具有一下属性：
- 特征具有易于区分的特性（discriminative）
- 特征对域的变化不敏感（domain invariant
6、一般用于衡量特征分布相似度的准则：
- match the distribution means in the kernel reproducing Hilbert space；
- map the principal axes associated with each of the distributions；
- match feature space distributions。
在判断特征之间的相似性时：最好通过modifying the feature representation itself rather than by reweighing or geometric transform。