DANN:Domain-Adversarial Training of Neural Networks
DANN原理理解
DANN中源域和目标域经过相同的映射来实现对齐。
DANN的目标函数分为两部分:
1. 源域分类损失项
2. 源域和目标域域分类损失项
1.源域分类损失项
对于一个m维的数据点X,通过一个隐含层Gf,数据点变为D维:
然后经过一个分类层Gy得到分类结果:
这个点的源域分类损失定义为:
于是源域的分类损失项定义为:
2.域分类误差
域分类时,源域的标签是0,目标域的标签是1,最大化域分类误差就是让域判别器分不清源域和目标域,如此这样源域和目标域在分布上就变得对齐了。
对于任意一个来自源域或者目标域的点,它通过域判别层后的结果是:
这个点的域分类误差定义为:
交叉熵函数: ,把负号提入对数函数内就是上式的形式。
域分类误差项定义为:
DANN目标函数
DANN目的是最小化源域分类误差项,最大化域分类误差项,但整体目标函数是最小化问题,所以在域分类误差项前加了负号,并且引入超参数λ作为权重平衡参数。
DANN的算法流程图如下:
算法步骤如下:
DANN:Domain-Adversarial Training of Neural Networks相关推荐
- KDD2018《Adversarial Attacks on Neural Networks for Graph Data》 论文详解
Adversarial Attacks on Neural Networks for Graph Data 论文链接:https://arxiv.org/pdf/1805.07984.pdf evas ...
- 【论文阅读笔记】Ristretto: Hardware-Oriented Approximation of Convolutional Neural Networks
概念 MAC:multiplication-accumulation operations 2. Convolutional Neural Networks 2.2.1 Normalization l ...
- 【阅读笔记】Differentiable plasticity: training plastic neural networks with backpropagation
Differentiable plasticity: training plastic neural networks with backpropagation 作者: Thomas Miconi/J ...
- 目标跟踪算法五:MDNet: Learning Multi-Domain Convolutional Neural Networks for Visual Tracking
目标跟踪算法五:MDNet: Learning Multi-Domain Convolutional Neural Networks for Visual Tracking 原文:https://zh ...
- 剪枝综述论文阅读:Methods for Pruning Deep Neural Networks
文章目录 一.概述 1.分类 2.评估 二.Magnitude based pruning 1.权重剪枝 2.彩票定理 3.特征图和过滤器剪枝 (1)基于通道方差的剪枝 Inbound pruning ...
- 详译:RESIDUAL AND PLAIN CONVOLUTIONAL NEURAL NETWORKS FOR 3D BRAIN MRICLASSIFICATION
论文题目:RESIDUAL AND PLAIN CONVOLUTIONAL NEURAL NETWORKS FOR 3D BRAIN MRI CLASSIFICATION 三维脑MRI分类的残差和平 ...
- EWC:Overcoming catastrophic forgetting in neural networks论文笔记
EWC:Overcoming catastrophic forgetting in neural networks 概要 根据某些参数对先前任务的重要性来缓解某些参数权重的学习率 EWC 约束重要的参 ...
- Domain-Adversarial Training of Neural Networks
本篇是迁移学习专栏介绍的第十八篇论文,发表在JMLR2016上. Abstrac 提出了一种新的领域适应表示学习方法,即训练和测试时的数据来自相似但不同的分布.我们的方法直接受到域适应理论的启发,该理 ...
- [深度学习论文笔记][Adversarial Examples] Deep Neural Networks are Easily Fooled: High Confidence Predictions
Nguyen, Anh, Jason Yosinski, and Jeff Clune. "Deep neural networks are easily fooled: High conf ...
- Differentiable plasticity: training plastic neural networks withbackpropagation
http://proceedings.mlr.press/v80/miconi18a/miconi18a.pdf 文章目录 Abstract Introduction Related work int ...
最新文章
- 算法应用与加速器系统架构的碰撞:AI软硬结合的方向怎么走?
- 《城市大脑全球标准研究报告》发布会将于12月23号在北京举办
- 【算法系列】一道面试算法题
- AIX 系统中 PVID 的含义与作用
- 《C++游戏编程入门(第4版)》——1.11 问题讨论
- python - 2 8 16进制/颜色/字符编码
- byte数组添加数据_C#基于S7协议实现对PLC中DB块字节数据的获取及自定义textbox实现数据解析...
- 经纬度中度与度分秒的转换公式是什么,如114.629度=()度()分()秒
- java上机实验报告_javaweb上机实验报告(学生管理系统)
- 要读顶级会议上的论文
- 超星PDG格式转换成PDF格式及其它格式
- 硬件:Intel CPU发展史
- android float 百分比,如何在android中计算百分比
- Uva11500-Gambler's ruin
- 计划经济和市场经济·《厚黑学全书》
- java融云web端实现聊天
- Day437438439.秒杀服务 -谷粒商城
- Python-将url生成二维码
- 操作系统12————存储器管理之对换
- 让MSN图标显示在Windows 7系统任务栏中
热门文章
- 【分享】推荐一些不错的计算机书籍
- Burpsuite破解用户名和密码
- 高速信号的完整性分析
- 游戏里的角色都什么格式图片_Bloom是什么
- in a frame because it set 'X-Frame-Options' to 'sameorigin'
- 细雨算法升级,针对B2B领域低质内容
- ThinkPHP 连接MSSQL PHP连接MSSQL
- 丁香园开源接口管理系统 - API Mocker
- android 是否可触摸,android 2.0可能支持多点触摸?
- Matlab/Simulink中的S函数模块嵌入人工智能、神经网络算法设计仿真案例详解(以基于RBF神经网络算法的VSG转动惯量自调节为例)