深度域适应中常见的数据集之一，image_CLEF，原始图像数据 有b、c、i、p四个子数据域，每个子数据域有12类。

在许多实际应用中，获取足够的大规模标记数据以充分训练深度神经网络通常是困难和昂贵的。因此，将学习到的知识从一个单独的、标记过的源域转移到一个未标记或标记稀疏的目标域成为一种有吸引力的选择。

领域自适应文本挖掘工具（新词发现、情感分析、实体链接等），基于少量种子词和背景知识

转移学习进行故障诊断 迁移学习故障诊断深度神经网络 该存储库用于转移学习或具有故障诊断的领域自适应。 论文如下： 引文 如果您使用此代码和数据集进行研究，请考虑引用： @inproceedings{zhang2019domain, title={Domain Adaptation with Multilayer Adversarial Learning for Fault Diagnosis of Gearbox under Multiple Operating Conditions}, author={Zhang, Ming and Lu, Weining and Yang, Jun and Wang, Duo and Bin, Liang}, booktitle={2019 Prognostics and System Health Management Confere

matlab的egde源代码libTLDA 迁移学习者和领域自适应分类器的库。 该软件包包含以下分类器： 重要性加权与高斯比率 重要性加权与核密度估计 重要性加权与后勤歧视 核均值匹配 最近邻加权 转移成分分析 测地线内核（仅适用于Matlab） 子空间对齐 半监督子空间对齐（仅限python） 结构对应学习 稳健的偏见感知分类 功能级域自适应 目标对比悲观风险（仅python） Python 安装 可以通过pip完成安装： pip install libtlda pip软件包将安装所有依赖项。 为了确保这些依赖关系不会弄乱您当前的python环境，您应该设置一个虚拟环境。 如果您使用，可以通过运行以下命令来解决： conda env create -f environment.yml source activate libtlda 用法 LibTLDA遵循与相似的结构。 例如，可以通过几类输入分类器： from libtlda . iw import ImportanceWeightedClassifier 通过带有标记的源样本(X,y)和未标记的目标样本Z的数据集，可以使用以下方法

传统的无监督领域自适应算法在对齐总体分布时存在分类信息流失问题，难以保证迁移学习效果。针对这个问题，提出了一种基于类内最大均值差异的分布对齐策略。该策略首先预测所有样本的伪标签，然后借助伪标签样本信息依次对齐每个类别的领域类内分布。在深度学习框架下，所提算法能够有效保留分类信息，提高了目标领域的预测能力。实验结果表明，与传统算法比较，所提算法在多个基准数据集上获得了最优的迁移学习效果。

行业分类-物理装置-基于细粒度领域自适应的跨领域图像分类方法及系统.zip

该代码是针对于领域自适应问题，即迁移学习的一个分支，提出的一种基于联合领域分布匹配的算法，并且把LDA中最小化类内散度和最大化类间散度结合进去了，该算法能够讲一个领域中训练的分类器直接应用到另外一个领域，通过将二者投影到一个公共子空间。迁移学习是一个目前比较热门的问题，很好地解决了小样本问题，和避免了反复标注数据集的巨大损耗。