杨强、BENGIO、龙盛明

TCA（transfer 主成分分析）2011年min Distance D from S

TCA针对domain adaptation问题中，源域和目标域处于不同数据分布时，将两个领域的数据一起映射到一个高维的再生核希尔伯特空间。在此空间中，最小化源和目标的数据距离，同时最大程度地保留它们各自的内部属性。
TCA属于基于特征的迁移学习方法。用通俗的语言来说，跟PCA很像：PCA是一个大矩阵进去，一个小矩阵出来，TCA呢，是两个大矩阵进去，两个小矩阵出来。从学术角度讲，直观地理解就是，在现在这个维度上不好最小化它们的距离，那么我就找个映射，在映射后的空间上让它们最接近，那么我不就可以进行分类了吗？

1 、距离公式：最大均值差异距离（MMD，maximum mean discrepancy）

2 引入核矩阵

3 距离变成trace(KL)-lamda*trace(K)

普通数据降维方法

1 主成分分析（PCA，principal component analysis）

2 局部线性嵌入（LLE,locally linear embedding

3 拉普拉斯特征映射（Laplacian eigen-map）