解缠组件

Domain Agnostic Learning with Disentangled Representations笔记

DADA框架：

（解读：D分为    1、类解缠：分离域不变特征和类无关特征； 2、域解缠：分离域不变特征和域特定特征

用标记的源域数据训练分类器C，通过C与D的对抗训练来使D生成类无关特征欺骗C，

域不变特征和域特定特征输入到DI中输出域标签，D和DI的对抗提取域不变特征。）

出发点：

目标域数据可能不只是来自一个域的数据（比较杂），如何把有标注的源域信息迁移到没有标注的任意目标域数据上（域标签不可用）？

难点：

• 目标数据来自混合的目标域；
• 类无关信息会导致负迁移。

所以不仅应该学习源和目标的不变性，还应该分离出特定类别的特征。

The disentangler D is responsible for disentangling the features (f G ) into domain-invariant features ( f di ), domain-specifific features ( f ds ), and class-
irrelevant features (f ci ).

 

The feature reconstructor R aims to recover f G from either (f di , f ds ) or ( f di , f ci ).