為了解決傳統監督學習需要大量人工標註的問題。顧名思義，就是將某個領域或者任務學習好的知識或模式，應用到到新的不同但相關？的領域中，達到可觀的效果。比如我們最常見的fine-tuning。

根據目前已有的研究顯示，1）深度神經網路可以很好地學習到資料間的可遷移特徵，或者叫做域不變（domain invariant）特徵；2）但由於層數的增加，特徵由general到task-specific，越來越不適合遷移，但同時也要保證特徵足夠。

領域自適應（Domain Adaptation）：遷移學習的一種。域適應是一種針對解決源域集和目標域分佈偏移（domain shift）？的機器學習演算法。各式各樣的域適應方法旨在透過學習源域和目標域的域不變（domain invariant）特徵，從而在目標域沒有或少量標籤的情況下，將從源域學到的分類器應用於目標域。

本資源整理了自然語言處理領域中，基於神經網路的無監督領域自適應性相關研究方法分類及相關的論文，經典的綜述性論文等資源。

資源整理自網路，資源獲取見源地址：

https://github.com/bplank/awesome-neural-adaptation-in-NLP

目錄

論文分類整理