摘要
现有的基于单域鉴别器的域对抗性自适应方法只对源和目标数据分布进行对齐,而没有利用复杂的多模结构。结果,源域和目标域的数据混淆,判别结构也会混淆,这就可能导致不同分布相应的区分结构错误对齐。比如文中的例子,源域中猫这一类可能错误地和目标域中狗这一类对齐。本文提出了一种多对抗性域自适应算法(MADA)方法,该方法捕获多模式结构,以支持基于多个域鉴别器的不同数据分布的细粒度对齐。利用线性时间内的反向传播计算梯度,通过随机梯度下降实现自适应。
存在的两个挑战:
(1)怎么通过最大限度地匹配跨域数据分布的多模结构来增强正传输(源域和目标域相同类之间尽可能对齐)
(2)怎么通过防止跨域不同分布中的模式的错误对齐来减轻负传输。
文中提出的解决办法:
所提出的多对抗域自适应(MADA)方法的体系结构,其中f是提取的深度特征,y是预测的数据标签,而d是预测的域标签;是特征提取器,和是标签预测器及其损失&#x