ICLR 2022

作者估计关于模型有太多话要讲，所以连distribution alignment以及support alignment的背景和意义都不说，introduction里说为了实现更好的distribution alignment就要做support aligntment，fine。
这张图就对比了下distribution alignment和support alignment，首先什么是support，回忆一下支持向量机SVM，support其实就是点集，我们一般搞不到分布，但我们可以搞到分布中的数据，这些数据就叫support。这个图就说有两个分布，p和q，都是beta分布，q有个参数θ，可以shift。b和c是两种alignment的结果，W指wasserstain距离，另一个是本文用的SSD，可以看到support alignment的w距离和SSD散度还小很多。关于后两张图长得很怪，仔细看看其实就是分布图，只是q的位置不一样。
image.png

SSD DIVERGENCE AND SUPPORT ALIGNMENT

作者提出了SSD散度，
image.png
借用别人的工作，GAN中的discriminator可以用来计算p和q之间的Jensen-Shannon散度。
image.png
image.png
就是说可以对p和q做个f映射之后求距离，等价于求p和q的距离。
引出g，通过g表示f。
image.png
这里用了什么history buffer，
image.png
image.png
整个算法流程：
image.png
实验完成的是UDA，unsupervised domain adaption，就是用一个分布靠近另一个分布。
image.png
image.png

有点挠头，因为感觉核心在理论证明，就是提出了更好的算两个分布散度，用一个分布贴近另一个的方法。