一、问题
我们再训练集上进行训练，在测试集上进行测试。
当测试集的数据不和训练集上的数据一致时，我们的结果反而不会好。
训练资料和测试资料的分布不同。
也可以看做迁移学习的一种。
问题：
- 输出的分布也不一样。
- 概念变化。
二、领域自适应
情况一：小量但标注
原来训练资料上进行训练，在目标数据上进行微调。
问题：目标数据过少时，可能过拟合。
情况二：大量未标注
做法：
领域自适应学习：
使得原有资料和目标资料的特征分布差异不大。
所以训练一个
领域分类器。Like GAN。
也需要去支持标签预测器，所以不会出现全零。
情况三：
小量未标注
情况四：什么都不知道
即领域生成。
三、限制
远离边界。
训练标签和测试标签不一样：
