论文标题：Metric learning for domain adversarial network（面向域对抗网络的度量学习）

期刊：Frontiers of Computer Science

作者：Haifeng HU, Yan YANG, Yueming YIN, Jiansheng WU

发表时间：23 Feb 2022

DOI： 10.1007/s11704-022-1342-z

微信链接：点击此处阅读微信文章

原文信息

标 题：

Metric learning for domain adversarial network

发表年份：

2022年

原文链接：

https://journal.hep.com.cn/fcs/EN/10.1007/s11704-022-1342-z

引用格式：

Haifeng HU, Yan YANG, Yueming YIN, Jiansheng WU. Metric learning for domain adversarial network. Front. Comput. Sci., 2022, 16(5): 165341

01导读

现有的领域自适应方法总是试图在源域和目标域之间实行域对齐，以此来缓解领域偏移的问题。由于标签信息的缺失，目标域的样本很可能分散在分类边界上。因此，如何在目标域上识别出这些被称作“易混类”的部分重叠的类别，成为了提升分类表现的关键。本文提出了一种基于度量学习的领域对抗网络，其中分类的空挡和联系的边界阈值被用来识别目标域中的易混类。具体而言，本文设计了一种有效的批训练机制，对每一对易混类都动态地调节源域中正值对和负值对各自三元损失函数之间的距离。如此一来，领域对抗网络就能通过实行域对齐来间接地将目标域中的易混类相区分开，所提出的领域对抗网络的泛化能力也就能得到保证。本文也通过实验验证了相比于现有的无监督领域自适应方法，本文方法在常用数据集上取得了更优的效果。

02 本文方法

三元损失函数是一种将目标域中的重要样本从边界分开来的有效方法。本文提出的三元损失函数定义如下：

其中 F 是特征提取器，G 是度量生成器。标识源域的数据集。源域样本和

提取自类而源域样本提取自类。代表和两类之间的间距。在本文中被设为可动态调节。当时，而当时的值取0。对于易混类和，本文设计了更大的间距。

本文所提出的方法首先最小化熵损失，如下式所示，其中是熵的表达式。

随后定义了这两个分类器的损失表达式，分别为

和

其中是源域样本的真实标签，和分别是交叉熵和二值交叉熵。当时，，否则。最后，本文定义对抗域判别器为：

训练过程可被表达为：

其中和是换取损失的超参数。

本文所提出的领域对抗网络的主要框架如下图所示，主要包含五个部分，分别是特征提取器 F ,多分类器，多二分类器，度量生成器 G 和域分类器 D 。

03 实验结果

本文在常用数据集Office-31和Office-Home上进行了实验， 通过和多个现有无监督领域适应方法对比，本文的方法在准确度上取得了一定的提升，充分证明了所提出方法的有效性。

04 总结

本文提出了一种用于无监督领域自适应的基于度量学习的领域对抗网络，通过试验验证了该方法相比现有的无监督领域自适应方法，其效果有一定提升。

解读：魏 通 东南大学

审核：张 琨 合肥工业大学

Frontiers of Computer Science

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；入选“中国科技期刊卓越行动计划项目”。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中13种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn