Multi-Adversarial Domain Adaptation�
来源：AAAI2018
作者：Zhongyi Pei, Zhangjie Cao, Mingsheng Long, and Jianmin Wang
机构:清华大学软件学院
数据集：Office 31,ImageCLEF-DA
1.动机
作者发现，只用一个判别器不能很好地捕捉到多模式结构，如图一所示，只用一个判别器去对齐原域和目标域时，不同种类的样本可能会被错误地对齐，比如把原域的猫和目标域的狗对齐了。
如何捕捉多模式结构呢？作者提出了用多个判别器来捕捉，判别器的个数正好等于原域样本的种类数。
这篇论文的前两位作者是龙明盛老师的学生，龙明盛老师也在他的论文Conditional Adversarial Domain Adaptation中提出处理多模式结构的方法，即认为分类器的输出包含多模式信息，并想方设法利用。
2.论文主体
2.1为什么选择K个判别器？
因为类标签预测器的结果为K类，域判别器也被人为地分为K个，因而由于这个K相同，给二者拉上一个联系，即用类标签预测器的结果来表示数据点xi在K个域判别器里的参与程度。换句话说，类标签在哪个类的预测结果概率大，那该数据点在这一个类的域判别器中的参与度就大。
用这种方法是因为不知道目标域的标签，因而无法知道域判别器和每一类的对应关系。
2.2MADA的作用？
The multi-adversarial domain adaptation (MADA) model simultaneously enhances positive transfer by maximally matching the multimode structures underlying data distributions across domains, and circumvents negative transfer by avoiding false alignment of the distribution modes across domains.
1.增强正迁移，最大化对齐不同域的多模结构
2.同时减弱负迁移，避免不同域分布模式的错误对齐。
3.损失函数
大的方面来说，分成两类损失，一是原域样本的分类损失，二是原域样本和目标域样本的域判器损失。
4.实验结果
