如图所示，传统的机器学习方法尝试去学习每一种任务，而迁移学习则根据已经学习处理过的任务推广到有较少训练数据的新任务上。在传统的机器学习中， transductive learning指所有测试数据在训练时被要求看到的情况，并且对于新的数据当前模型不能重复利用。因此，一旦再有新的测试数据产生，此模型就会招架不住。

1. transductive transfer learning

在transductive transfer learning 中，源域和目标域中学习的任务是相同的，但是源域和目标域不同。此时，在目标域中没有可用的标注数据，然而在源域中仍有大量标注数据可用，由此，对于transductive transfer learning 我们也可以进一步分为两种情况：（1）源域和目标域的特征空间不同（2）源域和目标域的特征空间相同，但是输入图片的边缘分布概率不同。

给定一个源域D（s）和一个相关的学习任务T（s），一个目标域D(t）和相关学习任务T（t）。transductive transfer learning旨在通过使用D（s）和T（s）中学到的知识来提高在目标域中目标预测函数的学习，此处D（s）≠ D（t）T(s) = T(t).此外，一些未标注的目标域数据必须在训练时可用。

从此定义中我们可以解读出以下两种信息：（a）源域和目标域的特征空间不同（b）源域和目标域的特征空间相同，但是输入数据的边缘概率分布不同

对于不同类型的迁移学习有如下的比较：源域和目标域不同但相关 ，其中任务一致

以下是transductive transfer learning中的解决方法：