Title
Saito, Kuniaki, et al. “Adversarial dropout regularization.” ICLR-18.
Motivation
现有的对抗domain adaption方法只将不同领域样本的特征区分开来,不能保证特征具有可判别性,因此当样本特征位于分类边界附近时就会失效。原来的对抗domain adaptation方法包含两个空间,一个是任务的分类空间,另一个是领域特征的空间,判别器只能在领域特征空间区别特征,因此生成器的生成的特征也仅仅是领域可判别,而无法保证分类可判别。当目标领域样本处于分类边界附近时,模型仍然会失效。而处于分类边界的样本,对分类边界的变化应当是很敏感的,这可以直接反映在概率分布的变化上。远离分类边界的样本,概率分布相对稳定;靠近分类边界的样本,概率分布容易随着分类边界的变化产生明显改变。