会议：ICML 2015
论文题目：Unsupervised Domain Adaptation by Backpropagation
论文地址：http://proceedings.mlr.press/v37/ganin15.pdf
论文代码：https://github.com/fungtion/DANN
问题描述：深度学习的模型在source domain数据集上训练的很好（90%左右），但是迁移到target domain的效果就很差（54%左右），这种现象叫做domain shift。
Target Domain的图片是无标签
《Unsupervised domain Adaptation by Backpropagation》这篇论文发表于2015 ICML，目前引用量已经3000+，这篇文章讲得非常好，把对抗训练的思想应用到分布迁移上面。具体来说在原来feature mapping的基础上外接一个domain classifier（之前那个叫做label classifier），这个domain classifier的作用是判别当前样本是属于哪个domain的，如果你的数据集只有两个分布，那么这个classifier就是一个二分类任务。如果你正常进行梯度更新的话，feature mapping这个向量在不同的domain上就会dissimilar，但是如果你加了梯度反向层（让encoder这个部分关于domain的loss传回来的梯度是反向更新的），那么这个features mapping在不同的domain（数据集）上就可以表现出特征不变性（也就是体现出特征解耦）
DANN模型架构
本文核心思想：训练上面的模型，让domain classifier无法分辨出你输入的x属于哪个domain。这时，我们的目的就达到了，因为我们在分不清这个x是哪个domain的情况下，模型还是能用label predictor分类器做出x的label的预测。说明我们换个domain的数据，label预测任务的性能仍然较好。
不同模块的功能
- Domain Classifier：区分输入图片是属于哪个domain的（source domain或target domain）
- Label Predictor：识别source domain图片上的数字
- Feature Extrator：帮助Label Predictor做预测；捅domain classifier一刀，做和他相反的事情。
下图来自李宏毅老师的课件，正好把论文中的架构图解释清楚了
训练时需要用到三组数据和标签
- source domain：黑色背景的4，图片上的数字为”4”
- source domain：黑色背景的4，图片来自domain0
- target domain：彩色背景的4，图片来自domain1
梯度反转层
核心代码部分
结合代码去理解上面的模型结构图就很简单了
实验
问题探讨
1. 梯度翻转层的作用
通过梯度翻转层来提取domain-invariant特征的方法真的是最好的方法吗？其实你feature extractor最大化Ld loss（极端点，source domain图片预测成target，target domain图片预测成source），在某种程度是也是把source domain和target domain分开。所以它未必是最好的做法。不过用梯度翻转层这个trick也确实是有用的。 LHY 18:57
2. DANN和GAN的训练方式对比
DANN是通过梯度翻转层，来实现一步到位的模型更新的（不再需要像GAN一样交替训练网络）。
那这里我们再回顾下GAN是怎么更新模型的。
GAN的训练过程（交替训练）
- 训练Discriminator，固定Generator(梯度不更新)，使他能分清楚真假图片
- 训练Generator（梯度上升法），固定Discriminator，使Fake image输入到Discriminator的输出标签接近Real
- 交替训练1,2两步，最终我们希望Generator能骗过Discriminator（即真假图片输入到Discriminator，输出都是Real
3. Domain Adaptation的类型
本文介绍的是一种Adversarial based Domain Adaptation，但Domain Adaptation还有其他的类型，Divergence based Domain Adaptation，Reconstruction based Domain Adaptation
Divergence based Domain Adaptation
Reconstruction based Domain Adaptation
更多的内容推荐阅读博客：Medium - Understanding Domain Adaptation
