考虑仅有目标域数据 
时进行 Domain Adaptation，源域的知识仅从模型 C 中获得。
算法提出了一种具有三个模块条件GAN模型：
- G 根据随机噪声与给定的类别标记生成虚拟样本
- D 区别目标域样本
和生成的虚拟样本 
- ·C 为给定的源域模型，指导 G 生成条件样本并且逐渐更新到目标域上。
整体算法与GAN类似，迭代地更新 G、D 与 C。
对于判别器 G，我们直接训练其区分真实数据与生成数据的能力：
对于生成器 D，首先我们需要优化其生成的数据与真实数据分布相似，这个过程利用判别器 G 完成：
进一步的需要通过模型 C 抽取语义信息，使 D 拥有生成条件样本的能力：
这个过程可以看作是同时让生成器 G 与 D、C 进行对齐，在对齐的过程中环境特征部分是对抗的而语义部分是一致的，使得 G 同时抽取了目标域与语义信息。
最终，需要更新模型 C，使其能够在目标域上进行对齐：
。
第一项是利用 G 生成的条件样本进行监督学习，第二项与第三项利用了半监督中的一致性损失与熵最小化损失。
MA 方法可以认为，这是一种隐式域自适应方法，利用了 GAN 的学习过程，逐渐从原始模型 C 和目标域数据中提取语义与分布信息，用于更新模型 C 。
若有收获，就点个赞吧
0 人点赞
