AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。
必读论文：https://www.aminer.cn/topic
论文集地址：https://www.aminer.cn/topic/60097fc592c7f9be2100b64c
领域适应（Domain Adaptation）是与机器学习和迁移学习相关的领域。当我们的目标是从源数据分布中学习在不同目标数据分布上运行良好的模型时，就会出现这种情况。例如，常见垃圾邮件过滤问题的任务之一就是使一个用户的模型适应接收截然不同的电子邮件的新用户。领域适应性也已被证明对学习不相关的资源是有益的。根据目标域和源域的不同类型，领域自适应问题有四类不同的场景：无监督的，有监督的，异构分布和多个源域问题。通过在不同阶段进行领域自适应，研究者提出了三种不同的领域自适应方法：1）样本自适应，对源域样本进行加权重采样，从而逼近目标域的分布。2）特征层面自适应，将源域和目标域投影到公共特征子空间。3）模型层面自适应，对源域误差函数进行修改，考虑目标域的误差。
该论文集共收录353篇论文，最高引用数是6352，来自清华大学的龙明盛在该领域发表了18篇论文，在所有学者中最多。
订阅了解更多论文信息，定制您的个人科研动态信息流：https://www.aminer.cn/user/notification?f=mt
转载：https://blog.csdn.net/AI_Conf/article/details/113009641