【综述专栏】领域自适应(Domain Adaptation)的理论分析

在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。

来源：知乎—小蚂蚁曹凯

地址：https://zhuanlan.zhihu.com/p/50710267

领域自适应即Domain Adaptation是迁移学习中很重要的一部分内容，目的是把分布不同的源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。于是在特征空间中对source domain训练的目标函数，就可以迁移到target domain上，提高target domain上的准确率。我最近看了一些理论方面的文章，大致整理了一下，交流分享。

01

背景

想必大家对GAN都不陌生，GAN是基于对抗的生成网络，主要目标是生成与训练集分布一致的数据。而在迁移学习领域，对抗也是一种常用的方式，如Ganin[1]的论文，使用的网络结构如下图，由三部分组成：特征映射网络，标签分类网络和域判别网络。

其中，source domain的数据是有标签的，target domain的数据是无标签的。 将source和target domain的数据都映射到一个特征空间  上，  预测标签y，  预测数据来自于target还是source domain。所以流入的是带标签的source数据，流入的是不带标签的source和target的数据。

：将数据映射到feature space，使  能分辨出source domain数据的label， 分辨不出数据来自source domain还是target domain。

：对feature space的source domain数据进行分类，尽可能分出正确的label。

：对feature space的数据进行领域分类，尽量分辨出数据来自于哪一个domain。

最终，希望  与 博弈的结果是source和target domain的数据在feature space上分布已经很一致，  无法区分。于是，可以愉快的用  来分类target domain的数据啦。

02

理论分析

首先Domain Adaptation基本思想是既然源域和目标域数据分布不一样，那么就把数据都映射到一个特征空间中，在特征空间中找一个度量准则，使得源域和目标域数据的特征分布尽量接近，于是基于源域数据特征训练的判别器，就可以用到目标域数据上。

问题建立

假设  是一个实例集(instance set)。

 是一个特征空间(feature space)。

 是定义在  上的源域数据分布，是定义在上的源域特征分布。

、  一样定义目标域数据分布和特征分布。

 是表示函数(representation function)将实例映射到  上，即上图的  。

 是真实的标签函数，是二值函数。我们并不知道  是什么，希望通过训练得到它。

是我们自己设计的预测函数,，给定一个特征    ，得到一个其对应的标签，即上图的  。

 : 二值函数的集合， 。

接下来需要定义特征到标签的真实映射函数:

注：这边  是随机的是因为，即使    是确定的映射，给定特征    的情况下，    也有可能以不同的概率来自于不同的    。

那么我们自己设计的预测函数    在源域上的错误率：

度量准则

接着就需要设计一个度量准则，度量通过  映射到特征空间的特征分布、 之间的距离。这个距离必须满足的条件是：能通过有限个样本数据计算。

这边找到距离叫  距离，如下：

其中花体  是波莱尔集，    是其一个子集。意思就是取遍所有的子集，找出在 、 上的概率差的最大值。

给    一个具体的取值，

则此时的  距离可记作  距离：

给一个简单的例子，如下：

两个高斯分布分别代表源域和目标域的特征分布。由于要取上确界，所以找到的集合  为  。

在 距离的基础上，再定义  距离：

简单例子如下：

于是， 可以用下面的界限定：

其中，函数集合  只要取的比 集合 复杂即可，这个很容易达到，我们只需把神经网络设计的复杂一些就行。

从最后的式子来看，如果我们能一个在复杂度足够（能够实现比异或更复杂的操作）的函数类中，找到一个函数  ，使得  将来自于  的特征    都判为1，将来自于  的特征    都判为0的概率最大，那么我们就能得到  的上界。

其实这边的  就是最开始图中红色的那部分网络  啦！

误差界

好了，有了度量准则，那么下面就要介绍最重要的一个定理了。

Theorem: Let R be a fixed representation function from  to  ,  is a binary function class, for every  :

where,

这个定理说的是，我们训练得到的分类函数    在目标域数据上的错误率，被三个项所限定。第一项是    在源域上的错误率。第二项是通过  将源域、目标域数据都映射到特征空间后，两者特征分布的距离， 即 距离。第三项是一个常数项可以不管。

如果把这些字母都加到开始的图上：

可以看出，要降低  ，表示函数  (即  )承担两项任务，需要降低    在源域上的错误率，还需要减小  距离。而   (即  )承担一项任务目标，就是降低在源域上的错误率。

对于  (即)，要做的就是尽量能取到 中的上确界，让自己尽量能代表这个距离。其实，我个人想法，这边严格来说并不存在对抗，  并不是一个坏蛋想要增大我们的错误率，它只是在默默的做自己本职的工作，想取到上确界，让自己能代表这个 距离。而也不是去妨碍去取上确界，而且想减小上确界本身。

到此，三个网络为什么这么设计应该就很清楚了叭！(至少我觉得讲清楚了233333，当然，最重要的定理的证明我省略了，有兴趣看下面参考的论文。)

实际计算

如果引入VC维那一套关于泛化误差的理论，可以得到如下结论：

 以  概率成立

是经验损失，可以通过有限数据计算。

   是源域数据个数，    是VC维的维数，    是自然底数。

以  概率成立。

可以通过给定数据计算。 表示源域和目标域数据个数。

最终，我们的误差界由下式界定：

定理证明

Theorem: Let R be a fixed representation function from  to  ,  is a binary function class, for every  :

where,

proof:

令 表示特征空间  中被    判为类别1的那些特征的集合。

则有：

这里的  是亦或，也就是 意见不一致的特征组成的集合，即：

所以为什么不等式(1)成立？因为第一项  是  的错误率，包含  意见一致时的判断错误的情况，第二项是意见不一致时的概率，包含 意见不一致时    判断错误的概率。所以    所有判断错误的概率，都包含在后面两项中！

继续往下推：

这一步就没什么好说的了，就是一个数的绝对值大于等于其本身。

不等式(2)的第二项  是在源域上，  意见不一致的概率。一旦意见不一致，那么必然有一方是错的，所以这项必然小于    和  的错误率之和：

根据上文

所以不等式(2)的第三项 

所以综合不等式(1-4)，有：

定理得证。

参考论文：

1. Ben-David, Shai, Blitzer, John, Crammer, Koby, and Pereira, Fernando. Analysis of representations for domain adaptation. In NIPS, pp. 137–144, 2006.

2. Ben-David, Shai, Blitzer, John, Crammer, Koby, Kulesza, Alex, Pereira, Fernando, and Vaughan, Jennifer Wort-man. A theory of learning from different domains. JMLR, 79, 2010.

3. Yaroslav Ganin, Evgeniya Ustinova, Hana Ajakan, Pascal Germain, Hugo Larochelle, Fran¸cois Laviolette, Mario Marchand, Victor Lempitsky. Domain-Adversarial Training of Neural Networks. Journal of Machine Learning Research 17 (2016) 1-35

4. Ganin, Y., Lempitsky, V.: Unsupervised domain adaptation by backpropagation. arXiv preprint arXiv:1409.7495 (2014)

本文目的在于学术交流，并不代表本公众号赞同其观点或对其内容真实性负责，版权归原作者所有，如有侵权请告知删除。

“综述专栏”历史文章

更多综述专栏文章，

请点击文章底部“阅读原文”查看

分享、点赞、在看，给个三连击呗！