关于传统迁移学习的一点概念
（来源于一位学姐的口述）
- 迁移学习的目标：训练数据集 A 迁移到测试数据集 B，它们的数据分布不一样。
- 方法 1：特征空间的对齐。比如重要性采样，强行让两个分布比较接近。
- 方法 2：把特征分为领域无关、领域相关的部分，把这两部分提取出来。
- 领域就是图片风格之类的东西，一些可能会影响数据分布、但不影响事物本质和分类结果（猫 / 狗）的东西。
- 拿领域无关的部分（比如狗的特征与图片风格无关）做预测；
- 拿领域相关的部分（狗的颜色之类）做数据增强，这种操作被称为增广。
以及，在中文搜索引擎上，搜索“xxx（领域名称）+ 综述”，是很有用的方法。
