introduction

• 作者认为，domain adaption（域适应）方法旨在通过学习domain-invariant feature（域不变特征）来桥接source domain和target domain，从而能够在target domain没有标签的情况下，利用source domain所学到的分类器对target domain进行预测。
• 现在已经可以将domain adaption嵌入到deep feature学习的过程（该过程希望学得domain-invariant feature）当中了。
• 先前的deep domain adaption（深度域适应）方法假定source domain上的分类器可以被直接通过学习得到的domain-invariant feature转换到target domain上来，但是作者认为这个假设在实际中太过于严格，因为检查source domain和target domain上的分类器是否可以共享通常是不可行的。
• 因此，作者在更加一般的的情况下对domain adaption进行研究，其中，source classifier（source domain上的分类器）和target classifier（target domain上的分类器）之间的差异是一个小的perturbation function（扰动函数）。
• 本文的目的是通过将分类器和特征的adaptation过程嵌入到一个统一的深层网络架构中，从有标记的source domain和未标记的target domain中学习得到adaptive classifiers（自适应分类器）和transferable feature（可转移特征）。
• 作者从2015年的deep resudual learning中得到启发（可以去这篇博客看一下），并提出了一个叫做Residual Transfer Network（RTN）的新的框架，并假设source classifier和target classifier在一个很小的resdual function（残差函数，就是博客中的F(x)）。
• 作者通过将几层网络插入到深层网络当中来实现classifier adaptation（分类器适应），通过参考target classifier（？为什么参考它）来明确的学习resdual function。
• 作者通过计算神经网络中几个层的feature的张量积，并且将它们嵌入到reproducing kernel Hilbert spaces（再生核希尔伯特空间）当中来匹配feature的适应（adaptation）（就是后面提到的MMD）

Relative Work

• 近期的进展表明，深度网络所学习到的抽象特征只能减少域和域之间的差异，但是并不能够移除这种差异。

• 深度学习和域适应的结合：

  • 在CNN中添加一个或者几个层，使这些层学习到的特征的分布相近
  • 或者添加一个full-connected的子网络来建立一个domain discriminator（域分类器），并且使网络所学习到的特征可以使domain discriminator混淆。
  • 但是以上这些方法都建立在“source classifier可以通过网络学习得到的domain-invariant feature 来直接地转换得到target classifier”这样一个假设当中。
  • 但是这个假设在source classifier和target classifier不能共享参数的时候不成立。当理想联合假设的组合误差（？the combined error of the ideal joint hypothesis）很大的时候，并不存在一个单一的分类器可以同时在source domain和target domain上有很好的表现。
• residual network 相关：
  
  
  • 这个网络是一个拥有上百层的非常深的网络，学习了一个被称为 ΔF(X)的residual function（残差函数），最终结果是这个残差函数加上输入本身（ identity mappings）的 relu。
• 作者希望在一个深度网络框架当中，通过residual function  ΔF(X)来桥接source classifier fS(x)和target classifier fT(x)
• 作者将target classifier的输出直接给residual function作为输入，可以更有效率地获得source classifier和target classifier之间的联系。

Residual Transfer Networks

• source domain：

  •  DS={(xSi,ySi)}nSi=1
  • 有 nS个labeled data
  • 服从的分布为 p
  • 希望学习到的分类器为 y=fS(x)

• target domain:

  •  DT={xTj}nTj=1
  • 有 nT个unlabeled data
  • 服从的分布为 q，其中 q≠p
  • 希望学习到的分类器为 y=fT(x)

• 因为分布 p(x,y)≠q(x,y)，且分类器 fS(x)≠fT(x)，这些mismatches（不相匹配）可以通过共通的adaptation来修复，使得domain adaptation更加有效。

• 分类器：source domain上的empirical error(经验误差):
  

  minfS1nS∑i=1nSL(fS(XSi),ySi))
  
  其中 L(,)表示交叉熵损失函数。

• 因为卷积层能够学习到一个可以在两个域中转换的普适的特征，所以作者决定对预先训练的卷积层所学到的特征fine-tune（微调）而不是直接adapt。

Feature Adaptation

网络架构：

• 首先，CNNs之后加一个bottleneck layer（我查了一下，这个瓶颈层是为了减少feature的维度而被创建出来的。。。） fcb来减少feature的维度。

• 之后使用multiple layers  L={fbc,fcc}的feature，在source domain上微调（fine-tune） CNNs。目的是为了让source domain和target domain更加相似。

  • 为了使mutiple layers L的adaptation进行得更加有效，作者建议使用mutiple layers L之间的张量积来做一个 lossless multi-layer feature fusion（无损多层特征融合）。
  • 定义： zSi=Δ⨂l∈Lxsli
  • 定义： zTi=Δ⨂l∈Lxtli
  • 我查了一下，这里的张量积大概是矩阵的张量积也就是克罗内克积，百度百科一下就可以知道。
  • 之后，作者之后利用最小化source domain和target domain之间Maximum Mean Discrepancy（MMD，最大平均差异）来做adaptation（域适应）(使用了kernel trick）：
    
    minfS,fTDL(DS,DT)=∑i=1ns∑j=1nsk(zsi,zsj)n2s+∑i=1nt∑j=1ntk(zti,ztj)n2t−2∑i=1ns∑j=1ntk(zsi,ztj)nsnt
    
    其中，特征核函数 k(z,z′)=e−∥vec(z)−vec(z′)∥2/b是一个带宽为b的高斯核函数
• 与DAN不同，作者使用了多层特征的MMD惩罚。作者认为他的优势这样可以获取到multilayer之间充分的互动（？can capture full interactions across multilayer features）并且能够更好地选择模型

Classifier Adaptation

• 因为feature adaptation并不能够消除分类模型中的mismatch（不匹配），所以作者认为还需要学习分类器的adaptation来使得domain adaptation更加有效。
• 作者假设classifier fs(x)和 ft(x)之间仅仅相差一个微小的perturbation function（扰动函数） Δf(x)
• 其中 ft(x)=fs(x)+Δf(x)
•  Δf(x)是一个仅由input feature x决定的函数。
• 然而，这些方法需要target domain上的标签来学习这个perturbation function，无法在这个非监督域适应任务中使用。所以换成学习 fs(x)=ft(x)+Δf(x)这个函数。
• 作者假设在target domain和source domain被合理地连接在一起后，perturbation function Δf(x)可以从source domain中标记的数据和target domain中不被标记的数据中共同学习得到。
• 采取学习residual function ΔF(x)=ΔF(x)−x（最终希望学习的函数是 ΔF(x)+F(x)）而不知直接学习的原因是，二者学习的难度是不一样的。

• 作者认为虽然identity mappings（就是之前提到的x直接作为学习到的函数本身）不太可能是最优的，但是依据这个identity mappings找到一个 perturbation function远比直接学习一个全新的函数要容易的多。residual learning（残差学习？）是成功训练一个非常深的网络的关键所在。

• 作者基于上述的观察，在网络中加入了residual block（如网络架构图最右侧所示）

• 推导运算：
  
  •  fS(x)为source classifier中 fcc层的输出， fT(x)为target classifier中 fcc层的输出
  • 但是 fS(x)（大写）被定义为： fS(x)=fT(x)+Δf(x)因为target domain没有标签所以如果选择 fT(x)会导致back propagation无法工作
  • 最终的输出都经过softmax **处理： fs(x)=Δσ(fS(x))， ft(x)=Δσ(fT(x))，其中 σ()为softmax，为了保证最终的输出为“可能性”。
  • Residual layer  fc1−fc2作为全连接层，并保证 ft(x)不会偏离 fs(x)太远。
  • 但是即便如此，仍然不能够保证 ft(x)能够很好的切合target domain，因此作者利用entropy minimization principle（熵最小化原理）来优化参数，通过最小化各个类的条件分布 ftj(xti)=p(ytj=j|xti;ft)的熵来鼓励target domain上类之间的low-density separation（低密度分离？我的理解是输出更加趋向一个one-hot vector，因为one-hot vector的熵是最低的）
    
    minft1nt∑i=1ntH(ft(xti))
    
    这就是entropy penalty(熵惩罚)。其中条件信息熵 H(ft(xti))=−∑cj=1ftj(xtj)log(ftj(xtj))， c为类（label）的数目， j就是label， ftj(xtj)=p(ytj=j|xti;ft)为给定数据时标签是 j的概率，也就是类的后验概率。不了解信息熵可以看一看这里：信息熵，条件熵。

Residual Transfer Network

• 分类器 fS最终的学习公式（整合）：
  
  fS=minft+Δf1ns∑i=1nsL(fs(xsi),ysi)+γnt∑i=1ntH(ft(xti))+λDL(Ds,Dt)
  
  其中， λ和 γ是一对tradeoff parameters，用来前面权衡张量MMD惩罚和entropy惩罚的比重。

Experiments

• 作者提到说他使用的是动量为0.9的mini-batch SGD，其中在RevGrad(Reverse Gradient)实现的学习率退火策略:
  
  • 因为计算成本太高，不去搜索合适的学习率
  • 随着SGD的进行网络的学习率会进行自适应调整： ηp=η0(1+αp)β，其中 p随着训练的进行，线性地从0变为1，α=10,β=0.75,η=0.01。
  • 性能：
  •