领域对抗训练：一种博弈论视角

领域自适应领域的主流工作集中在使用领域对抗训练学习不变表示。在本文中，我们从博弈论的视角来解释这种方法。我们将领域对抗训练中的最优解定义为局部纳什均衡，并证明领域对抗训练中的梯度下降可能违反优化器的渐近收敛保证，常常阻碍迁移性能。我们的分析引导我们用高阶常微分方程（ODE）求解器（即龙格-库塔法）替代梯度下降，并为此推导了渐近收敛保证。这一优化器族显著更稳定，并允许更激进的训练率，当作为标准优化器的直接替代品使用时，能带来显著的性能提升。我们的实验表明，结合最先进的领域对抗方法，我们以不到一半的训练迭代次数实现了高达3.5%的改进。我们的优化器易于实现，无需额外参数，并且可以插入任何领域对抗框架中。