1.ADDA:对抗鉴别域自适应(adversarial discrimination domain adaptation)2017
最近流行的域适应方法是将源域和目标域映射到共同的特征空间,以域移位度量如最大平均差异(MMD)或对抗性损失等作为损失函数学习训练。在这种方法中普遍将GAN应用于域适应问题,但是具体网络架构设计又各有不同,如可以选择是否使用生成器?使用哪种损失函数?是否跨域共享权重?例如【11】和【12】共享权重使用对称的映射网络,而【13】使用不对成的映射。作者发现两点:
- 对输入数据的生成建模不是域适应问题所必需的
- 非对称空间比起对称空间可以更好地模拟低级特征的差异
基于此,论文中提出了一种对抗性判别域适应(ADDA)的方法,使用学习对抗性损失的不对称映射空间将源域和目标域的数据映射到相同的表示空间,另外作者在论文中还提出来了一个统一的对抗域适应的框架。
无监督对抗域适应,具体来说,有不同数据分布的源域数据和其标签与不带标签的目标域数据