2018 NIPS 条件对抗领域自适应 Conditional Adversarial Domain Adaptation

看题目，最先想到的是怎么实现“条件”的，如何刻画“条件”，啥意思呢？就是利用label prediction的信息。

分类器$G$ 、特征提取器$F$、以及领域判别器$D$。

在DANN（baidu一下参考文献，做TL的都懂）里面，$F$是领域判别器$D$和类别分类器$G$的输入。没有利用不同类别的$F$和$G$softmax输出的关系。
其实$F$和$G$是有内在关联可以探寻的。不是把$F$和$G$简单串联起来，本文求二者的multilinear map，再输入到$D$和$G$里面。
原文crosscovariance of domain-specific feature representations and classifier predictions

softmax probabilities of source classifier, rather than conditioned on the class information

motivation我觉得说得很牵强，没搞懂$G$怎么和multimodal有关系了呢
First，adversarial adaptation methods may fail to capture multimodal structures for a discriminative alignment .
Second, it is risky to condition the domain discriminator on the discriminative information when it is uncertain.

对比GAN的objective，$D$是max的，而CADA中，$D$是min的

（3）是CDAN(conditional domain adversarial network)的目标函数

超参数$lambda$不是定值，

如果相乘维度在4096之内，softmax_output和 feature.unsqueeze之间矩阵乘法torch.bmm。可是论文里没说要把entropy weight归一化的事啊。