迁移学习涉及到域和任务的概念。一个域 D 由一个特征空间 X 和特征空间上的边际概率分布 P(X) 组成，其中 X=。对于有很多词袋表征（bag-of-words representation）的文档分类，X 是所有文档表征的空间，是第 i 个单词的二进制特征，X 是一个特定的文档。

给定一个域 D={X,P(X)}，一个任务 T 由一个标签空间 y 以及一个条件概率分布 P（Y|X）构成，这个条件概率分布通常是从由特征—标签对 ∈X,∈Y 组成的训练数据中学习得到。在文档分类中，Y 是所有标签的集合（即真（True）或假（False）），要么为真，要么为假。

给定一个源域，一个对应的源任务，还有目标域，以及目标任务 ，迁移学习的目标就是：在 ≠，≠的情况下，在具备来源于 Ds 和 Ts 的信息时，学习得到目标域 Dt 中的条件概率分布 P（Yt|Xt）。绝大多数情况下，假设可以获得的有标签的目标样本是有限的，有标签的目标样本远少于源样本。

由于域 D 和任务 T 都被定义为元组（tuple），所以这些不平衡就会带来四个迁移学习的场景。