最优传输论文（六）：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文原理

前言

• 本文属于我最优传输系列里的六篇，该专栏用于记录本人研究生阶段相关最优传输论文的原理阐述以及复现工作。
• 本专栏的文章主要内容为解释原理，论文具体的翻译及复现代码在文章的github中。

原理阐述

文章介绍

• 文章发表于2018年的AAAI。
• 该论文是将Wasserstein Distance应用到了DA领域。
• 本文介绍了WDGRL模型。

回顾

• 我的最优传输上一篇文章（https://blog.csdn.net/qq_41076797/article/details/116898649）引用了大佬的文章（https://zhuanlan.zhihu.com/p/25071913），故没有对Wasserstein GAN这篇论文做太多自己的讲述。而本篇要讲述的论文可以说是基于上篇论文的，这里我要简要介绍一下本篇论文用到的上篇论文的内容。
• 如大佬的文章所讲，Wasserstein GAN证明了Wasserstein Distance的有效性，那是不是直接当做生成器的loss就好了呢？答案并不是这样的，因为请看：
  
  该公式中的