NIPS 2018论文解读 | 基于条件对抗网络的领域自适应方法

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。

在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。

点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。

这是 PaperDaily 的第 120 篇文章

作者丨王晋东

学校丨中国科学院计算技术研究所博士生

研究方向丨迁移学习和机器学习

这篇论文即将发表于 NIPS 2018（现在应该叫 NeurIPS 了），作者是清华大学的龙明盛团队。论文研究的还是领域自适应（Domain Adaptation）这一热点问题，在一些公共的数据集中，本文的方法取得了当前最优的结果。

论文动机

Domain Adaptation 问题一直以来是迁移学习和计算机视觉领域等的研究热点。从传统方法，到深度方法，再到最近的对抗方法，都在尝试解决此问题。作者在本文中提出，现在的对抗方法面临两个挑战： 

一是当数据特征具有非常复杂的模态结构时，对抗方法无法捕获多模态的数据结构，容易造成负迁移。通俗点说就是，现有的方法没有抓住深度特征之间的关系，只是把它们一股脑进行对抗适配。 

二是当上面的问题存在时，domain classifier 就很容易出错，所以造成迁移效果不好。

论文方法

本文提出了基于条件对抗网络的领域自适应方法，英文名叫做 Conditional Adversarial Domain Adaptation。从题目中不难看出，主要由 Condition + Adversarial + Adapta