Generalizing to Unseen Domains via Adversarial Data Augmentation

Domains via Adversarial Data Augmentation"/>

Generalizing to Unseen Domains via Adversarial Data Augmentation

“Generalizing to Unseen Domains via Adversarial Data Augmentation” 论文翻译 简介

• • 论文题目：通过对抗数据增强泛化到未知域

论文归类：迁移学习
简要说明：本文是斯坦福大学发表于NIPS 2018的工作，论文研究的问题是比域自适应（Domain Adaptation）更前沿的一个方向——Domain Generalization。在迁移学习领域，数据主要分为源域和目标域，源域的数据和标签是可获得的，而目标域的数据标签获得成本高，现有的一些迁移学习方法主要是在做源域和目标域的数据特征分布的对齐对源域用监督训练，而对于目标域任务应用无监督学习。但对于有些目标任务，目标领域的数据可能非常缺失或者获得成本非常高，以至于只有很少的目标域数据，甚至没有目标域数据。
为了应对这种目标领域数据缺失或收集成本高的挑战，作者提出了用于Domain Generalization（领域泛化？）的对抗增强迁移方法。该方法的大致思路介绍如下：这是一种无监督的对抗数据增强迁移学习方法，在该方法中，作者利用了样本级和特征级的表征，以及语义损失和循环一致性，使得模型在样本层面和特征层面都能进行适应，在利用任务损失的同时能保持循环一致性ÿ