域自适应迁移学习中损失函数

在域自适应迁移学习中，损失函数是用来衡量源域和目标域之间的差异的。在标准的域适应问题中，学习算法的目标是在函数空间找到使得目标域泛化误差尽可能小的函数，其中损失函数起到了衡量目标域和源域之间差异的作用。\[1\] Disparity Discrepancy是一种常用的衡量域差异的方法，它可以适用于不同的损失函数，比如L1损失函数。\[2\]然而，对于回归问题中常用的L1损失或者L2损失函数，理论上并没有保证其有效性。\[3\]因此，为了求差异分歧的上界，差异散度的想法更加简单，就是让差异分歧只对目标域求上界。\[5\]
#### 引用[.reference_title]
- *1* *2* *3* [迁移学习之域自适应理论简介（Domain Adaptation Theory）](https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/123038514)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]