【浙江大学-AAAI2020】领域自适应的对抗损失，Adversarial-Learned Loss for Domain Adaptation

题目： Adversarial-Learned Loss for Domain Adaptation

摘要： 近年来，在跨领域学习可转移表征方面取得了显著的进展。以往的领域适应研究主要基于两种技术：领域对抗学习和自我训练。然而，领域对抗性学习只会调整领域之间的特征分布，而不考虑目标特征是否具有区分性。另一方面，自训练利用模型预测来增强目标特征的识别，但无法明确地指定领域分布。为了将这两种方法的优点结合起来，我们提出了一种新的领域自适应的通用学习损失（ALDA）方法，首先分析了一种典型的自训练方法伪标签方法。然而，伪标签和地面真实性之间存在差距，这可能导致错误的训练。因此，我们引入了混淆矩阵，通过对抗性的方式在ALDA中学习，以减少gap并对齐特征分布。最后，从学习的混淆矩阵中自动构造一个新的损失函数，作为未标记目标样本的损失。在四标准域自适应数据集中，OurALDA优于最新方法。

作者简介： Haifeng Liu，博士，浙江大学计算机学院副教授。个人主页：https://person.zju.edu.cn/en/hfliu