Long, Mingsheng, et al. “Unsupervised domain adaptation with residual transfer networks.” Advances in Neural Information Processing Systems. 2016.
問題:
domain adaptation用於分類問題。其中source domain具有label,target domian無label。
文章假設:
We relax a shared-classifier assumption made by previous methods and assume that the source classifier and target classifier differ by a residual function.
網路結構 (Residual Transfer Network (RTN))
一般domain adaptation 用於分類任務的網路結構是一個特徵提取器+分類器:
文章對於source domain和target domain採用不同的分類器結構
即source domain的分類器較target domain多了一個參差塊
其中
爲激活值。
這樣可以根據source domain裏面的label進行訓練,如果設置成
則沒法訓練。
殘差塊的特性保證了
也就是說保證了target和source classifier 不會偏離太多
與此同時,爲了保證遷移到target domain後的性能,還是根據最小熵原則去調整分類器的遷移
損失函數
分類損失
where is the cross-entropy loss function
MMD penalty
這裏指的是第i個樣本,各層輸出值的按=element-wise 乘積:
爲高斯核函數,見下圖:
文章說這樣做的好處是捕捉到多層特徵間的關聯,並且便於模型選取。
entropy penalty
前面已講