而在联合分布自适应 (JDA)中，条件分布是可以不一致的，即在源数据和目标数据的边缘分布和条件分布差异都很大的情况下，预测目标数据的输出 Y_T ，JDA原文中如此表述其要解决的问题：

联合分布适配方法（joint distribution adaptation,JDA）解决的也是迁移学习中一类很大的问题： domain adaptation。 关于domain adaptation的介绍可以看我之前的 介绍。 简单概括就是，如何用有标注的源域数据 (\mathcal {D}_s=\ {\mathbf {x}_s,P (\mathbf {x}_s)\}) 来标定完全无标注的目标域 (\mathcal {D}_t=\ {\mathbf {x}_t,P (\mathbf {x}_t)\})？ JDA方法首次发表于2013年的ICCV。 看名字就知道，JDA是一个概率分布适配的方法，而且适配的是 联合概率。 先来简单普及一下知 …

我们提出了一种新的转移学习解决方案，称为 联合分布适应 （JDA），以在主降维过程中联合适应边缘分布和条件分布。 具体而言，我们扩展了 非参数最大均值差 （MMD）来测量边际分布和条件分布中的差异，并将其与 加粗样式 主成分分析（PCA）相结合，以构建对实质性分布差异有效且稳健的特征表示。 我们在四种类型的真实数据集上进行了综合实验：数字（USPS，MNIST），脸（PIE）和对象（COIL20， Office +Caltech [20]）。 从这些数据集中，我们构建了36个跨域 …

JDA aims to simultaneously adapt both marginal and conditional distri-butions in a principled dimensionality reduction procedure. Extensive experiments show that JDA is effective and ro-bust for a variety of cross-domain problems, and can signif-icantly outperform several state-of-the-art adaptation meth-ods even if the distribution difference ...

2019年4月11日 · 在本文中，我们提出了一种新的迁移学习方法，称为Joint Distribution Adaptation联合分布适配 (JDA)。 具体地说，JDA的目标是在一个有原则的降维过程中，联合适配jointly adapt边缘分布和条件分布，并构造新的特征表示，对于较大的分布差异，该特征表示是有效 …

JDA方法首次发表于2013年的ICCV（计算机视觉领域顶会，与CVPR类似），它的作者是清华大学的博士生（现为清华大学助理教授） 龙明盛。 联合分布适配方法（joint distribution adaptation,JDA）解决的也是迁移学习中一类很大的问题：domain adaptation。

2022年5月28日 · 基于numpy的实现代码 传送门 联合分布适配方法 （Joint Distribution Adaptation， JDA）是一种基于 特征 的迁移学习模型 算法名字中的”联合“并非一个表示概率学上的”联合分布“意思的名词，而是一个动词，其表示”联合“了两个分布的适配方法。 1. 输入输出 源域 ...

JDA（Joint Distribution adaptation ）一种联合分布自适应的方法。 迁移学习 是一门利用源域知识来提升目标域知识的学科（这里说的比较笼统），JDA是一种即考虑两个域之间的边缘分布（ marginal distributation）又考虑条件分布（conditional distribution）的经典迁移学习方法。 领域 (Domain):一个领域（Domain）由两部分组成：一个m维的特征空间X 和边缘分布P（x）即D = {X，P（x）}且x∈X。 任务 (Task):存在一个领域D，一个任务由一个有C种标签的数据集Y和一 …

首先应该定义清楚问题，是哪一类迁移学习问题，BDA, JDA 是解决的convariate shift问题，其重要假设是即 P (X)和P (Y)不相同，但 P (Y|X)相同，在图像分类问题上比较常见。

We verified its performance by embedding it to a joint probability domain adaptation (JPDA) framework. The figure below shows the difference between the DJP-MMD and joint MMD. More details see PaperWeekly. Compared with traditional MMD approaches, JPDA has a simpler form, and is more effective in measuring the discrepancy between different domains.