easylifer的专栏

这篇文章是结合对抗网络框架与深度学习技术解决domain adaptation应用的一个工作。

MMD最先提出的时候用于双样本的检测（two-sample test）问题，用于判断两个分布p和q是否相同。它的基本假设是：如果对于所有以分布生成的样本空间为输入的函数f，如果两个分布生成的足够多的样本在f上的对应的像的均值都相等，那么那么可以认为这两个分布是同一个分布。现在一般用于度量两个分布之间的相似性。在[1]中从任意空间到RKHS上介绍了MMD的计算，这里根据这个顺序来介绍。

这篇文章里提出了一种用MMD来同时对两个域上的marginal distribution和conditional distribution进行约束的迁移网络。

本文结合对抗网络以及深度网络生成图像来不同域之间样本生成的问题，根据源域上的样本生成目标域上对应的样本。

本文基于子空间学习提出了一种半监督的域自适应框架（SDASL）。

这篇文章提出了一种在不同域上使用不同网络参数来提取特征的网络结构。为了保证两个网络的相似性，提出了一种衡量两个参数差别的损失。