【機器學習2021】概述領域自適應 (Domain Adaptation)

[@客家饒舌執牛耳]

謝謝教授 今日又再家中跟著教授的腳步硬帥一發了

[@shenzheng9958]

谢谢李老师，网上看了很多教程，感觉还是您讲的最好😁

[@DED_Search]

4:40 这里有点疑惑，老师讲到 domain shift包括输出的distribution不同，那就是p(y|x)不同。根据pand and yang(2009), 这种情况属于task不同，而不是domain不同。。。求解惑。感谢

[@shadow950042]

在實際使用Domain Adversarial training的策略進行訓練時，domain classifier跟label predictor是一起訓練還是分開訓練的呢? 認知上unlabeled target data 應該無法更新label predictor的權重(沒有標籤)，所以實際上訓練時會分成多個階段訓練嗎 (像GAN一樣在訓練discriminator或generator時會freeze另一個network) ?

[@jason988081]

18:33 domain classifier 应该是maximize the loss吧

[@weiyangzhang-o1l]

proposed approach方法后的括号应该不是进步量的意思吧，For each of the two DA methods (ours and (Fernando et al., 2013)) we show how much of the gap between the lower and the upper bounds was covered (in brackets) 论文里是这么说的 这应该表示是实验时产生的效果上下界吧

[@aroonsubway2079]

谢谢老师，请问 Domain Adaptation 一般对 source domain testing sample 的 accuracy有什么吗？大多数paper对比的都是用target domain sample 的 test accuracy 来比较算法。

[@buwasoft]

Domain Adaptation 若直接使用cyclegan 做 domain間的 style transfer
是不是也會有不錯的結果? 如影片中的範例 (彩色/黑白MNIST問題)

[@HungyiLeeNTU]

這招其實很常用喔 😊

[@samuelqiu8185]

讲的真好，谢谢

[@chuanjiang6931]

Can you share some code of an example about DANN?

[@Yuuki_886]

自分用20:51

[@xianda9648]

L-Ld的方法不好到底怎么样好呢？急死了，可以直接告诉我吗

[@yoshiyuki1732ify]

我觉得LD可以包括“准确度”和“输出标签的熵”，即0-9越平均越好。

[@obsiyoutube4828]

good sir,Please could you provide to english too

[@Li-oy2bo]

你好，请问后期提供作业答案吗

[@张革-e6u]

kaggle上有助教的baseline

[@Li-oy2bo]

打卡

[@williechen1876]

頭香

[@eevee0602]

抖面通靈

[@feixiongluo4198]

Tks for providing so great lecture.