基于特征的对抗迁移学习论文_《迁移学习》领域对抗自适应存在什么问题？

领域自适应（domain adaptation）是迁移学习中的一种方法，旨在利用源域中标注好的数据，学习一个精确的模型，运用到无标注或只有少量标注的目标域中。本质上是一种数据增强的迁移方法。

领域自适应最常见的方法是找一个公共特征空间，将源域和目标域数据都映射过去，在该空间进行分布对齐。最近很流行的方法是利用领域对抗训练，也就是设置一个判别网络，判断特征数据来自于源域还是目标域，特征提取器通过与判别器的对抗实现特征空间的对齐。相关理论分析见文章：

种豆南山下：《迁移学习》: 领域自适应(Domain Adaptation)的理论分析​zhuanlan.zhihu.com

那么基于对抗的领域自适应还存在什么问题呢。这篇文章来介绍一下，主要分析来自于参考文献[1]。

---

符号定义

首先我们定义数据和标签分别为

和

，源域的联合分布为

，目标域的联合分布为

。

源域的边缘分布为

，并且由边缘分布定义随机变量

和支撑集

，可以理解为

是源域数据可能取的点，

是所有这些点的集合，支撑集的意思就是随机变量

所有概率值不为0的取值集合。同样的，目标域为

、

和

。

和