본 문서는 두 개의 도메인 간의 적응을 위한 신경망의 도메인 적대적 훈련(DANN) 알고리즘을 다루고 있으며, 소스 도메인과 타겟 도메인이 서로 다를 때의 분류 문제를 중점적으로 설명한다. DANN은 도메인 독립적 특성을 추출하고 일반화 보장을 기반으로 하는 효과적인 표현 학습 방법을 제안하며, 모델의 오류를 최소화하는 데 필요한 다양한 이론적 결과를 제시한다.

1. Domain Adversarial Training of
Neural Network
PR12와 함께 이해하는
* Domain Adversarial Training of Neural Network, Y. Ganin et al. 2016를 바탕으로 작성한 리뷰
Jaejun Yoo
Ph.D. Candidate @KAIST
PR12
4TH MAY, 2017

2. Usually we try to…
Test
(target)
Training
(source)

3. For simplicity, let’s consider the
binary classification problem

5. 일반적인 supervised learning setting: Training
과 test의 domain이 같다고 가정.

9. TAXONOMY OF TRANSFER LEARNING

13. 전자기기 고객평가 (X) /
긍정 혹은 부정 라벨 (Y)

14. 전자기기 고객평가 (X) /
긍정 혹은 부정 라벨 (Y)
비디오 게임 고객평가 (X)

15. 전자기기 고객평가 (X) /
긍정 혹은 부정 라벨 (Y)
비디오 게임 고객평가 (X)
NN으로 표현되는 H 함수 공간으로부터….

16. 전자기기 고객평가 (X) /
긍정 혹은 부정 라벨 (Y)
비디오 게임 고객평가 (X)
Classifier h를 학습하는데,
target의 label을 모르지만
source(X,Y)와 target(X)
두 도메인 모두에서 잘 label
을 찾는 h를 찾고 싶다.
NN으로 표현되는 H 함수 공간으로부터….

17. DANN

18. DANN
TRY TO CLASSIFY WELL WITH
THE EXTRACTED FEATURE!
Ordinary classification
POSITIVE
NEGATIVE
고객 평가 댓글

19. DANN
Ordinary classification
Domain Classification
전자기기
비디오 게임
TRY TO CLASSIFY WELL WITH
THE EXTRACTED FEATURE!
POSITIVE
NEGATIVE
고객 평가 댓글

20. DANN
Ordinary classification
Domain Classification
전자기기
비디오 게임
TRY TO CLASSIFY WELL WITH
THE EXTRACTED FEATURE!
POSITIVE
NEGATIVE
고객 평가 댓글
TRY TO EXTRACT
DOMAIN INDEPENDENT FEATURE!

21. DANN
Ordinary classification
Domain Classification
전자기기
비디오 게임
TRY TO CLASSIFY WELL WITH
THE EXTRACTED FEATURE!
POSITIVE
NEGATIVE
고객 평가 댓글
TRY TO EXTRACT
DOMAIN INDEPENDENT FEATURE!
e.g. f : compact, sharp, blurry
→ easy to discriminate the domain
⇓
f : good, excited, nice, never buy, …

22. • Combining DA and feature learning within one training process
• Principled way to learn a good representation based on the
generalization guarantee
: minimize the H divergence directly (no heuristic)
“When or when not the DA algorithm works.”
“Why it works.”
DANN

23. 기존 전략: 최대한 적은 parameter로 training
error가 최소인 model을 찾자

24. 이제는 training domain (source)과 testing
domain (target)이 서로 다르다
기존의 전략 외에 다른 전략이 추가로 필요하다.

26. PREREQUISITE
Different distances
Slide courtesy of Sungbin Lim, DeepBio, 2017

27. = 0

28. A Bound on the Adaptation Error
1. Difference across all measurable subsets cannot be estimated from
finite samples
2. We’re only interested in differences related to classification error

29. Idea: Measure subsets where hypotheses in disagree
Subsets A are error sets of one hypothesis wrt another
1. Always lower than L1
2. computable from finite unlabeled samples. (Kifer et al. 2004)
3. train classifier to discriminate between source and target data

30. A Computable Adaptation Bound
Divergence estimation
complexity
Dependent on number
of unlabeled samples

31. The optimal joint hypothesis
is the hypothesis with minimal combined error
is that error

32. THANKS TO GENERALIZATION GUARANTEE

33. THEORETICAL RESULTS

34. THEORETICAL RESULTS
𝒉 ∈ 𝑯 ⟺ 𝟏 − 𝒉 ∈ 𝑯

35. THEORETICAL RESULTS

36. THEORETICAL RESULTS

37. DANN

38. DANN

39. DANN

40. DANN

41. DANN
↔

42. DANN
↔

43. DANN

45. SHALLOW DANN

46. SHALLOW DANN

47. tSNE RESULTS

48. REFERENCE
PAPERS
1. A survey on transfer learning, SJ Pan 2009
2. A theory of learning from different domains, S Ben-David et al. 2010
3. Domain-Adversarial Training of Neural Networks, Y Ganin 2016
BLOG
1. http://jaejunyoo.blogspot.com/2017/01/domain-adversarial-training-of-neural.html
2. https://github.com/jaejun-yoo/tf-dann-py35
3. https://github.com/jaejun-yoo/shallow-DANN-two-moon-dataset
SLIDES
1. http://www.di.ens.fr/~germain/talks/nips2014_dann_slides.pdf
2. http://john.blitzer.com/talks/icmltutorial_2010.pdf (DA theory part)
3. https://epat2014.sciencesconf.org/conference/epat2014/pages/slides_DA_epat_17.pdf (DA theory part)
4. https://www.slideshare.net/butest/ppt-3860159 (DA theory part)
VIDEO
1. https://www.youtube.com/watch?v=h8tXDbywcdQ (Terry Um 딥러닝 토크)
2. https://www.youtube.com/watch?v=F2OJ0fAK46Q (DA theory part)
3. https://www.youtube.com/watch?v=uc6K6tRHMAA&index=13&list=WL&t=2570s (DA theory part)