背景与问题定义
传统监督学习假设：训练集与测试集数据分布一致。
Domain Shift：测试数据分布与训练数据不同，模型泛化性能骤降 。
例如在黑白图像上训练数字分类器，测试时用彩色图像，准确率骤降。
Domain Adaptation（领域自适应）
目标：在Source Domain（有标签）上训练的模型能在Target Domain（无标签或少量标签）上保持良好性能。
基础思路：学习领域无关的表示
-
引入Feature Extractor，提取源域与目标域的共享特征。
-
要求：无论输入图片来源哪一域，提取的特征分布应尽可能一致。
关键技术：Domain Adversarial Training
-
模型结构：
-
Feature Extractor：提取特征。
-
Label Predictor：分类器。
-
Domain Classifier：判断特征来自 Source 还是 Target。
-
希望 Source Domain 的图片 ， 丢进 Feature 跟 Target Domain 的图片丢进去 Feature提取出的特征 看起来要分不出 差异
-
-
类比于 GAN：
-
Feature Extractor 类似 Generator；
-
Domain Classifier 类似 Discriminator。
-
问题：会不会Feature Extractor每次故意提取出无效的特征导致训练失败？
并不会，因为虽然需要混淆 Source 和 Target 的域差异（欺骗 Domain Classifier），同时又要提取对分类有用的特征（服务于 Label Predictor）。
训练方法：
对于 Source Domain的图片，是有标签的。所以可以制定一个Loss L，Ld是 Domain Loss，即领域判别的损失
可以理解为
-
它想让分类器分类准（minimize L）；
-
同时又让 Domain Classifier 无法判断出域（maximize Ld）。
通过这里我们可以再回答一遍Feature Extractor会不会训练成故意提取出无效的特征？
如果Feature Extractor 把所有输入都映射为 zero vector，那么 Domain Classifier 完全无法判断这是 Source 还是 Target → Ld 很高 ✅（它被骗了）；但是，Label Predictor 完全无法分类 → L 也会很高 ❌
