15、联合领域对齐与对抗学习及社会组织系统价值创造模型解析

联合领域对齐与对抗学习及社会组织系统价值创造模型解析

联合领域对齐与对抗学习

在对抗训练中，最小化对抗损失 $L_{adv}$ 有助于将从每个可见源域获得的特征嵌入到由先验分布生成的潜在空间中，并混淆每个可见源域的域标签信息。这使得域判别器难以准确识别相应的域标签。经过对抗自编码器（AAE）训练后，编码器生成的隐藏代码与从先验分布采样的隐藏代码更接近。因此，我们能够在不依赖域标签信息的情况下重建从每个源域获得的特征向量，从而通过解码器生成域不变特征。

模型训练

在训练过程中，类别标签信息 $Y = [y_1, …, y_n]$ 被嵌入到潜在变量中，以在有监督的域泛化中为特定类型生成新的特征向量。因此，采用交叉熵损失来解决这个预测任务：
$L_{pre} = \frac{1}{n} \sum_{i=1}^{n} \log (h_i, y_i) = \frac{1}{n} \sum_{i=1}^{n} \log (Q(x_i), y_i)$

JDAAL 模型使用多个域的数据进行训练，其训练过程被视为一个多目标优化过程。因此，总体训练损失可以表示为：
$L = L_{pre} + \alpha_0L_{rec} + \alpha_1L_{MKMMD} + \alpha_2L_{adv}$
其中，$\alpha_0$、$\alpha_1$ 和 $\alpha_2$ 是控制多个损失之间权衡的超参数，在不同实验中被赋予不同的值。

JDAAL 网络旨在最小化训练损失 $L$，并联合最小化潜在变量上的预测、重建、对抗和 MK - MMD 度量。AAE 训练过程基于生成对抗网络（GAN）。与其他对抗学习模型类似，JDAAL