基于对抗网络的跨域适应方法探讨

深度学习方法具有高度局部性和数据域依赖性。即使 slight 数据域分布轻微偏差，也会显著影响深度网络的预测准确率。本文旨在提高执行域间翻译的生成器网络准确率，我们在对抗性环境下进行了一系列技术研究。具体而言，我们实验性地探讨了激活函数、编码器-解码器网络架构，并提出了一种名为循环损失（cyclic loss）的损失函数，以约束生成器网络，使其学习有效的源域-目标域翻译。这种机器学习问题源于诸多应用场景，如无监督地从合成输入生成标记数据，或将这些翻译网络与原始域网络结合使用，以实现跨域的深度学习网络泛化。