7.第二类方法：特征选择
特征选择法的基本假设是： 源域和目标域中均含有一部分公共的特征，在这部分公共的特征上，源领域和目标领域的数据分布是一致的。因此，此类方法的目标就是，通过机器学习方法，选择出这部分共享的特征，即可依据这些特征构建模型。
核心方法: SCL(Structural Correspondence Learning):这个方法的目标就是我们说的，找到两个领域公共的那些特征。作者将这些公共的特征叫做Pivot feature。找出来这些Pivot feature，就完成了迁移学习的任务。
8.第三类方法：子空间学习
子空间学习法: 通常假设源域和目标域数据在变换后的子空间中会有着相似的分布。我们按照特征变换的形式，将子空间学习法分为两种：基于统计特征变换的统计特征对齐方法，以及基于流形变换的流形学习方法。 下面我们分别介绍这两种方法的基本思路和代表性研究成果。
统计特征对齐： 统计特征对齐方法主要将数据的统计特征进行变换对齐。对齐后的数据，可以利用传统机器学习方法构建分类器进行学习。
SA方法(Subspace Alignment，子空间对齐)：
SA方法直接寻求一个线性变换M，将不同的数据实现变换对齐。SA方法的优化目标如下:
SDA方法(Subspace Distribution Align-ment):
该方法在SA的基础上，加入了概率分布自适应。SDA方法提出，除了子空间变换矩阵T之外，还应当增加一个概率分布自适应变换A。SDA方法的优化目标如下：
CORAL 方法(COR relation Alignment):
流形学习：
它的基本假设是，现有的数据是从一个高维空间中采样出来的，所以，它具有高维空间中的低维流形结构。流形空间中的距离度量： 两点之间什么最短？在二维上是直线（线段），可在三维呢？地球上的两个点的最短距离可不是直线，它是把地球展开成二维平面后画的那条直线。 那条线在三维的地球上就是一条曲线。这条曲线就表示了两个点之间的最短距离，我们叫它测地线。更通俗一点，两点之间，测地线最短。
SGF方法：
SGF方法的主要贡献在于： 提出了这种变换的计算及实现了相应的算法。但是它有很明显的缺点：到底需要找几个中间点？SGF也没能给出答案， 就是说这个参数d是没法估计的，没有一个好的方法。这个问题在GFK中被回答了。
GFK(Geodesic Flow Kernel)方法:
