建站软件网站建设价格专注制作网站设计

背景与问题定义

传统监督学习假设：训练集与测试集数据分布一致。

Domain Shift：测试数据分布与训练数据不同，模型泛化性能骤降 。

例如在黑白图像上训练数字分类器，测试时用彩色图像，准确率骤降。

Domain Adaptation（领域自适应） 

目标：在Source Domain（有标签）上训练的模型能在Target Domain（无标签或少量标签）上保持良好性能。

基础思路：学习领域无关的表示

• 引入Feature Extractor，提取源域与目标域的共享特征。

• 要求：无论输入图片来源哪一域，提取的特征分布应尽可能一致。

 

这样就可以用这些 Feature， 在 Source Domain 上训练一个模型 ， 直接用在 Target Domain 上，

接下来的问题就是 , 怎麼找出这样一个 Feature Extractor

关键技术：Domain Adversarial Training

• 模型结构：

  • Feature Extractor：提取特征。

  • Label Predictor：分类器。

  • Domain Classifier：判断特征来自 Source 还是 Target。

  • 希望 Source Domain 的图片 ， 丢进  Feature 跟 Target Domain 的图片丢进去  Feature提取出的特征 看起来要分不出 差异

• 类比于 GAN：

  • Feature Extractor 类似 Generator；

  • Domain Classifier 类似 Discriminator。

问题：会不会Feature Extractor每次故意提取出无效的特征导致训练失败？

并不会，因为虽然需要混淆 Source 和 Target 的域差异（欺骗 Domain Classifier），同时又要提取对分类有用的特征（服务于 Label Predictor）。

训练方法：

对于 Source Domain的图片，是有标签的。所以可以制定一个Loss L，Ld是 Domain Loss，即领域判别的损失

可以理解为 

• 它想让分类器分类准（minimize L）；

• 同时又让 Domain Classifier 无法判断出域（maximize Ld）。

通过这里我们可以再回答一遍Feature Extractor会不会训练成故意提取出无效的特征？

如果Feature Extractor 把所有输入都映射为 zero vector，那么 Domain Classifier 完全无法判断这是 Source 还是 Target → Ld 很高 ✅（它被骗了）；但是，Label Predictor 完全无法分类 → L 也会很高 ❌