迁移学习中，过拟合、欠拟合、欠适配、负迁移等关键问题与挑战交错叠加。 首先，在拟合观测数据所服从的未知概率分布时存在模型的过拟合或欠拟合问题； 其次，在领域间适配不同的未知概率分布时存在模型的欠适配或负迁移问题：欠 适配是指跨领域的概率分布失配问题未能充分修正，负迁移是指辅助领域任务对 目标领域任务有负面效果。本文重点面向欠拟合、欠适配、负迁移等问题挑战， 分析原因并设计针对性的学习方法(Transfer learning involves several critical issue

利用tglvm算法对两类结果实施迁移学习分类，分类正确率达90%以上；(Tglvm algorithm is applied to classify the two kinds of results, and the correct rate of classification is more than 90%;)

戴文渊---Boosting for Transfer Learning，TraDaBoost算法的源代码。(Dai Wenyuan ---Boosting for Transfer Learning, the source code of the TraDaBoost algorithm.)

transfer learning---self taught learning