More is Better: Deep Domain Adaptation with Multiple Sources

在许多实际应用中，通常很难且昂贵地获取大规模标记数据来训练最先进的深度神经网络。因此，将从单独的标记源域中学习到的知识转移到未标记或稀疏标记的目标域成为一种吸引人的替代方法。然而，直接转移常常会导致性能显著下降，因为存在域漂移。域自适应（DA）旨在通过对齐源域和目标域之间的分布来解决这个问题。多源域自适应（MDA）是一种强大且实用的扩展，其中标记数据可能来自具有不同分布的多个来源。在本文中，我们首先定义了各种MDA策略。然后，我们从不同的角度系统地总结和比较了现代深度学习时代的MDA方法，接着介绍了常用的数据集和简要的基准测试。最后，我们讨论了值得研究的MDA未来研究方向。

多源域自适应的研究问题是什么？

论文提出了一种新的多源域自适应（MDA）方法，该方法使用一种新的深度学习模型，称为共享特征学习（SFL），以实现多个源域之间的知识共享和目标域之间的域适应。

该论文提出的方法在多个基准数据集上进行了实验，并与其他现有的MDA方法进行了比较。实验结果表明，该方法在多源域自适应任务中表现出色，具有较高的泛化性能。此外，该论文还提供了一个开源代码库，以便其他研究人员可以使用该方法进行实验和比较。

在最近的研究中，也有一些关于MDA的相关工作，如'Multi-Source Domain Adaptation for Semantic Segmentation'和'Multi-Source Domain Adaptation for Medical Image Segmentation'等。