Simultaneous Deep Transfer Across Domains and Tasks

2020.08.13

---

主要思想就是图中所示：第一步，通过使源域和目标域的边缘分布尽可能相似来最大化域混合；第二步，从源域样本学习到类关系应用到目标域样本，因此保留了类间关系。

Q1：源域和目标域的边缘分布是P(xs)、P(xt)？如何使它们边缘分布进可能相似？是通过交叉熵吗？

A1:

上面公式是domain confusion loss function，是为学习到域不变性。

Q2：θD、θrepr、D、qd分别表示什么？使这个损失最小化，可以调整什么？是NN的参数吗？

A2：

---

Q3：各参数代表什么？这个损失函数在流程图中怎么体现？

A3：

这个两个函数似乎是对抗关系，式(3)是为分清样本是来自源域还是目标域，式(4)是为最大化域混合。

Q4：这些损失函数是如何达到目的的？式(3)减小样本错误分类？式(4)减小交叉熵，减小不确定性？这两个公式在流程图中如何体现？

A4：

---

Q5：上面和下面的蓝色条形图代表什么意思？是样本属于各类的概率？还是各类的概率分布？

A5：

Q6：软标签是网络调整什么后产生的？

A6：