Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
左边是之前的分布匹配方法：
用到一个域分类器，一个task-specific分类器。这个task-specific分类器用于把从特征提取器提取的特征进行分类。
欺骗域分类器，域分类器分辨不出来哪些是原域样本，哪些是目标域样本时，原域和目标域的分布对齐完成。
概括来说，之前的方法是特征提取器（这里叫特征生成器）和与判别器之间进行对抗。
右边是本文的分布匹配方法：
用两个task-specific分类器来把原域中的两个类分开，然后把目标域里的样本分别对应到相应的类里。
概括来说，本文的方法是特征生成器和两个task-specific分类器之间进行对抗。
这两个分类器有两个作用：一是把原域样本正确分类，二是用于发现那些类别不明的目标域样本。
二者之间如何形成对抗的？
特征生成器努力为目标域样本生成具有辨别力的特征，以方便分类器把目标域的类别判别出来；
而分类器则努力去揪出那些类别不明的目标域样本，即文中提到的target samples outside the support of the source。
论文主体
F1和F2是分类器，文中假定它们能把原域样本正确分类。对F1和F2进行不同的初始化，以保证二者是不同的分类器。
Figure 2中画黑线的棕色区域是Discrepancy Region，分类器F1把该区域中的目标域样本分到类B里，分类器F2则把该区域中的目标域样本分到类A里。这些画黑线的棕色区域里的样本，就是文中说的target samples outside the support of the source.
由图2可知，target samples outside the support of the source被分类器F1和F2分出的结果是不一样的，分类器的作用之一就是努力找出这些样本。换句话说，就是努力最大化图2中的Discrepancy Region。
损失函数
如何把最大化图2中的Discrepancy Region用损失函数来表示出来呢？
用p1(y|x)表示分类器F1对输入x的K维概率输出，用p2(y|x)表示分类器F2对输入x的K维概率输出。
用d(p1(y|xt),p2(y|xt))来表示分类器F1和F2对目标域样本的不同分类结果之间的差异，即Discrepancy Region的数学化表示，文中称它为discrepancy。
无论何时，原域带标签的样本总是会用得到的，文中用这些样本来训练G,F1,F2。
训练过程
文中把训练过程划分成3个阶段: 即Step A,B,C
Step A是上面提到的用原域带标签的样本训练G,F1,F2。
Step B,C如下图：
特征生成器G和分类器F1，F2的对抗具体体现在对discrepancy的不同操作上，F1和F2努力让discrepancy最大，而G则努力让discrepancy最小。
Step B损失函数具体表示如下：作者说不加分类损失效果很差，于是加上了分类损失。
Step C损失函数具体表示如下
