DATNet网络训练思路分析

• 为了鼓励资源不可知的表示，从而使来自高资源的知识与低资源更加兼容，使用对抗性鉴别器（AD）损失。
• 为了实现从源域提取的特征表示和从目标域提取的特征表示之间的兼容性，通过构建GRAD保证共享BiLSTM部分的输出是资源无关的。
• 为了解决数据资源的不平衡问题，在广义资源对抗鉴别器（GRAD）的训练过程中增加资源权重，提高低资源和难识别样本的关注。
• 为了改进泛化问题和缓解过拟合问题，创建了对抗性样本来进行对抗性训练（AT）。