领域自适应

让在一种数据分布（源域）上训好的模型，到另一种分布（目标域）上也好用。

领域自适应是迁移学习的一个分支：源域有大量带标注数据，目标域分布不同、标注很少甚至没有，目标是让模型在目标域上也能工作。经典做法有两类：特征层面，如 Ganin 与 Lempitsky 2014 年提出的梯度反转层，让「判断数据来自哪个域」的分类器分不出来，从而学到跨域不变的特征；像素层面，用 GAN（生成对抗网络）把源域图片转成目标域风格。具身智能里最典型的场景是仿真到真机：仿真数据便宜但与现实有差距，领域自适应和域随机化是缩小虚实差距的两条主要思路。

例子谷歌 2017 年的 GraspGAN 用像素级领域自适应把仿真抓取图像变得更像真实相机画面；据论文报告，达到同等抓取性能所需的真实样本最多可减少 50 倍。

也叫

域适应、域自适应、无监督领域自适应、Unsupervised Domain Adaptation

相关

迁移学习、仿真到现实迁移、虚实差距、域随机化、分布偏移（协变量偏移）、分布外

来源

Unsupervised Domain Adaptation by Backpropagation (arXiv:1409.7495)
Using Simulation and Domain Adaptation to Improve Efficiency of Deep Robotic Grasping (arXiv:1709.07857)