About this paper
- Title: Adversarial Discriminative Domain Adaptation
- Authors: Zhongyi Pei, Zhangjie Cao, Mingsheng Long, and JianminWang
- Topic: Domain Adaptation
- From:AAAI 2018
Contributions
作者提出了使用多个判别器来学习数据分布的多模结构，增加了对类别的判别能力，从而增加了正迁移，减少了负迁移。
Movitation
现存的对抗迁移方法使用一个判别器，单纯的将源域数据和目标域数据整体地进行对齐，没有利用复杂的多模结构。
这样做的后果就是，不仅源域数据和目标域数据会混在一起，判别结构也会混在一起，导致不同域的判别结构进行了错误的对齐。
例如下图所示，源域数据猫和目标域数据狗错误的混合在了一起。
作者提出进行domain-adaptation有两个技术挑战：
- 增加正迁移，尽可能的对齐不同域数据的多模结构
- 减少负迁移，减少不同域数据的错误对齐
Methods
我们使用k（k代表类别数）个判别器，每个判别器用来对齐源域和目标域的一个特定类。因为目标域数据没有标签，所以很难决定目标数据对应哪个判别器。作者提出使用目标数据通过分类器的得到输出作为每个判别器的权重。
判别器的目标函数如下：
整体的目标函数如下：
网友评论