文章目录
一、简单介绍
1)Motivation
不采用对抗的方式,也能取得比较好的适应性能,文章想把全局的,具体类别的特征对齐和任务本身用一个简单的loss统一起来一起做;其次,解决在ST方法中,生成的伪标签类别不平衡的问题(伪标签估计的工作)。
这里简单介绍下ST方法的优缺点:能够学习更好的决策边界,既能达到让两个域全局特征匹配,也能让类别特征匹配(classwise feature alignment ),但以前做法不够elegant,毕竟是特征匹配和分类任务是分开来做的。另外它还有个假设,target域的样本,若预测输出值更大,也意味着更高的置信度。
- 经典DANN:分类网络+domain分类器,域分类器从分类网络的特征提取器中提取特征作为输入,用来区分instance来自哪个域,对抗学习domain-invariant features
- 泛化性和mode collapse :分别研究能不能生成新样本以及研究生成样本的多样性,mode collapse是产生的样本单一