半监督迁移学习-Deep Asymmetric Transfer Network for Unbalanced Domain Adaptation

来源：AAAI2018
本文是提出半监督迁移学习框架DATN，解决源域和目标域数据不平衡的问题，属于领域自适应中的第二种范式：将目标域映射到源域
框架的主要思想是使用源域的丰富数据和标签帮助解决目标域因数据稀少造成的性能差的问题。

主要分为两步
第一步：通过自编码器学习两个域的特征表示

通过无监督方式学习特征表示
重构误差

有标签数据的分类误差

最后，结合非监督及监督的损失函数，

第二步：非对称迁移

（1）
学习一个映射G,将目标域的数据映射到源域。即将两个域的特征表示对齐

（2）适配源域和目标域分类器（利用有标签数据）

文章声称这样做的目的是可以加强对辅助域丰富数据的使用，同时可以防止将辅助域的无用数据迁移进来。

其次，对于非监督部分，文章使用Maximum Mean Discrepancy (MMD)来约束辅助域和目标域的分布相似，即：

最后的目标函数是：

通过块坐标下降算法优化。