11.31 问题定义
迁移学习中，领域 D 定义为由特征空间 X和 边 缘 概 率 分 布 P(x) 组 成， 即 D ={X,P(x)}，x∈X；给定领域 D，任务 T 定义为由类别空间Y 和分类器 f(x) 组成，即 T ={Y, f(x)}，y∈Y，f(x)=P(y|x) 可以解释为条件概率分布。
定义 1 （迁移学习） [3] ：给定有标记的源领域和学习任务T s ，无标记的目标领域 
和学习任务T t ，迁移学习在 D s ≠ D t 或 T s ≠ T t 条件下最小化目标分类器 f t (x) 的泛化误差（见图 1）。
如文献 [3] 所综述，根据特征空间、类别空间、边缘概率分布、条件概率分布的异同，迁移学习可分为异构迁移学习、跨类迁移学习、领域适应和数据集偏移等。本文主要研究领域适应和数据集偏移这两个最重要的类型。
