Abstract
我们提出了深子域自适应网络(DSAN),它通过基于局部最大平均差异(LMMD)在不同域上对齐域特定层激活的相关子域分布来学习传输网络。我们的DSAN非常简单但有效,不需要对抗性训练,收敛速度快。大部分前馈网络模型都可以通过最小均方误差损失进行扩展来实现自适应,而最小均方误差损失可以通过反向传播进行有效训练。
贡献
(1)提出了一种新的子域自适应深度神经网络体系结构,该体系结构通过捕获每个类别的细粒度信息来扩展深度自适应网络的能力。
(2)我们证明了DSAN这种非对抗性的方法可以取得显著的效果。此外,我们的DSAN非常简单,易于实施。
(3)我们提出最小均方误差来度量源域和目标域中嵌入相关子域的核均值之间的差异,并成功地将其应用于DSAN。
(4)提出了一种新的局部分布差异测度来估计两个子域分布之间的差异。