论文笔记 ——《Unsupervised Domain Adaptation by Backpropagation》

论文笔记 —— 《基于反向传播的无监督域适应》（《Unsupervised Domain Adaptation by Backpropagation》）

思想

本文侧重于将领域适应和深度特征学习结合在一个训练过程中(深度领域适应)。我们的目标是将领域自适应嵌入到学习表示的过程中，使最终的分类决策基于对领域变化既具有区别性又不变性的特征，即在源域和目标域中具有相同或非常相似的分布。
这样，得到的前馈网络可以应用于目标域，而不受两个域之间位移的影响。

核心

1. 本文提出了深度架构中进行域适应的新方法，该方法促进了“深度”特征出现：

• 区分源域学习任务【辨别力】【对应分类误差】
• 域不变性【对应域分类误差】

2. 同时学习三个classifier。通过最小化分类器误差，最大化判别器误差，使得学习到的特征表达具有跨领域不变性。

原理

• 特征提取器：一方面最小化分类误差，使获得又判别力的特征；另一方面最大化域分类误差，使特征具有不变性（本文使用了2-3个卷积层来实现）
• 域分类器：最大化域分类误差（本文用了三个全连接层）
• 标签分类器：最小化分类误差