许亚雲，严 华

(四川大学 电子信息学院，成都 610065)

有监督的模式识别过于依赖有标签的训练样本的数量.一方面，在现实生活中为样本打标签十分耗费资源和时间；另一方面，这种完全由样本的数量和质量决定的学习方式非常容易导致过拟合.由于监督学习的局限性和不便利性，大量的研究者开始探索无监督和半监督的学习方法.如主动学习，它不是将所有样本打上标签，而是提出一些标注请求，将一些经过筛选的数据提交给相关领域专家进行标注.

域自适应或迁移学习，因为不需要大量的数据标注，近年来受到研究者的广泛关注.在域自适应的问题中，将需要进行识别的数据集称为测试集.测试集中的数据全部没有标签时称为无监督域自适应[1-2]，测试集中有少部分数据有标签时则称为半监督域自适应[3-4].与主动学习不一样的是，不需要采取人工辅助的方式为样本打上标签，用于训练做训练集的源域中已经拥有大量有标签的数据，但是源域的数据和真正需要进行分类的目的域数据并不是同分布的.所以域自适应主要解决两个域分布适应的问题，从而借助源域中大量有标签的数据集对目的域的数据进行识别.目前传统的域自适应算法的相关研究工作主要分为以下3种方式：1)数据分布的适应：即通过某种变换直接将两个域的分布拉近或者选择出分布相似的公共特征，主要通过最大平均差异(maximum mean discrepancy, MMD)[5]度量变换后……