Domain Agnostic Learning with Disentangled Representations笔记
DADA框架:
(解读:D分为 1、类解缠:分离域不变特征和类无关特征; 2、域解缠:分离域不变特征和域特定特征
用标记的源域数据训练分类器C,通过C与D的对抗训练来使D生成类无关特征欺骗C,
域不变特征和域特定特征输入到DI中输出域标签,D和DI的对抗提取域不变特征。)
出发点:
目标域数据可能不只是来自一个域的数据(比较杂),如何把有标注的源域信息迁移到没有标注的任意目标域数据上(域标签不可用)?
难点:
- 目标数据来自混合的目标域;
- 类无关信息会导致负迁移。
所以不仅应该学习源和目标的不变性,还应该分离出特定类别的特征。
The disentangler
D
is responsible for disentangling the features (f
G
) into
domain-invariant
features (
f
di
),
domain-specifific
features (
f
ds
), and class-
irrelevant features (f ci ).
irrelevant features (f ci ).
The feature reconstructor
R
aims to recover
f
G
from either (f
di
,
f
ds
) or (
f
di
,
f
ci
).