Deep Learning 101, Taiwan’s pioneering and highest deep learning meetup, launched on 2016/11/11 @ 83F, Taipei 101

AI是一條孤獨且充滿惶恐及未知的旅程，花俏絢麗的收費課程或活動絕非通往成功的捷徑。
衷心感謝當時來自不同單位的AI同好參與者實名分享的寶貴經驗；如欲移除資訊還請告知。
由 TonTon Huang Ph.D. 發起，特別感謝時任職公司台灣雪豹科技無償贊助場地及茶水點心。
這裡匯集了我們歷年的 Meetup 紀錄，還有 AI 演算法與開源資源匯整中心。
🎯企業AI的競爭點，不是做出多少 Agent，而是在可量化的風險、權限、成本與稽核下可靠地執行。🎯
🎯AI Governance (AI 治理) 不能只是一份 SOP 的 PDF；它應該是一組可以執行的 Technical Controls。🎯
「Deep Learning 101」所有內容均屬個人與社群研究心得分享，不代表任何現職或前任雇主之官方立場背書。

👉 Deep Learning 101 歷年 Meetup 📺 🎙️ AI 技術討論交流

Domain adaptation

2019/03/08, Mark Chang, Domain adaptation

網域適應 (Domain Adaptation) 關鍵重點匯整

核心概念與問題定義

傳統機器學習的局限性： 傳統上，機器學習模型假設訓練資料 (Source Domain) 和測試資料 (Target Domain) 來自同一個資料分佈 (Data Distribution) [1-3]。在此理想情況下，訓練誤差應接近測試誤差，且測試誤差應接近零 [1, 3]。
網域適應問題： Domain Adaptation 處理的核心問題是訓練資料 (Source Domain) 和實際應用資料 (Target Domain) 的資料分佈不一致的情況 [2-4]。
為何傳統理論失效： 當資料分佈不同時，傳統機器學習理論不再適用 [3, 4]。在 Source Domain 訓練的模型直接應用於 Target Domain 可能性能會顯著下降 [2, 4]。因此，Domain Adaptation 需要新的理論來保證在 Target Domain 上的誤差與 Source Domain 訓練誤差之間的關係 [3, 4]。

影響模型在目標網域性能的因素

根據 Domain Adaptation 的理論，模型在 Target Domain 上的表現主要受到以下因素影響：

輸入資料 (Input X) 的分佈差異： Source Domain 和 Target Domain 之間在輸入資料分佈上的距離 [2, 5]。直覺上，分佈距離越小，模型在 Target Domain 上的誤差就越小 [5, 6]。
標記者的差異 (Labeler Difference / Label Distance)： Source Domain 和 Target Domain 的資料可能由不同的人或以不同標準進行標記 [2, 5, 7]。這種標記標準的不一致也會導致誤差，影響模型在 Target Domain 的表現 [2, 5, 7, 8]。若要標記大量資料，最好能有多人交叉檢查以減少標記差異 [7, 9]. 這種差異可以透過交叉標記的方式來量化 [7-9].

理論基礎與誤差界限

目標： Domain Adaptation 的目標是開發理論和方法，即使在分佈不同的情況下，也能使在 Source Domain 訓練的模型在 Target Domain 的表現接近理想狀況 [2, 3]。理論上需要推導出 Target Domain 誤差的上限 (Error Bound) [5, 9-11]。
基礎理論 (Theorem 1 概念)： 基礎理論指出，Target Domain 上的錯誤率上限受限於 Source Domain 錯誤率、Source 和 Target Domain 之間的輸入資料分佈距離 (Distance of X)，以及理想假設下的組合錯誤（或標記者標準差異相關項）[5, 8, 11, 12]。
改進的理論 (Theorem 2)： 基於 Hypothesis 估計距離的改進理論提供了更接近實際應用的誤差上界 [9, 10, 13, 14]。這個上界主要包含幾項 [10, 13, 14]：
1. Source Domain 上的錯誤率 [10, 13, 14]。
2. Source 和 Target Domain 之間的 Hypothesis 距離 [10, 13, 14]。
3. 與 Hypothesis 空間複雜度 (VC Dimension) 和資料量 (樣本數量) 有關的項 [10, 13, 15]，這考慮了過度擬合 (Overfitting) 的風險 [10, 13, 15, 16]。VC 維度越高，模型越容易過擬合，導致使用訓練數據估計的距離與真實距離差距變大 [15, 17]。
4. 理想假設下的聯合錯誤率 (Combined Error)，指在 Source 和 Target 結合資料上訓練的理想模型的誤差 [10, 13]。
通過控制這些項，可以估計和改進模型在 Target Domain 上的表現 [10, 13, 14]。
理想假設 (Ideal Hypothesis H*)： 指在知道所有 Source 和 Target Domain 資料的標籤情況下，能在聯合資料分佈上達到最低誤差的假設 [16, 18]。

衡量網域間距離

基於分佈的距離 (例如：Total Variation Distance 概念)： 理論上，可以使用概率密度函數的差異來衡量距離，通過找到一個集合 (Set B) 使兩個分佈在該區域的積分差最大 [7, 12, 16, 19]。這個距離與分佈的重疊程度有關 [12, 19]。
理論計算的挑戰： 實際應用中直接計算基於分佈的距離非常困難 [8, 17, 19]。主要問題包括：
1. 處理複雜的資料分佈形狀時，難以找到最佳分割區域 (Set B) [8, 17, 19]。
2. 對分佈的微小位置偏移過於敏感，可能導致距離計算值很大，高估了適應難度 (overly pessimistic) [17, 19]。
利用 Hypothesis 估計距離： 為克服上述挑戰，可以利用 Hypothesis (訓練好的模型) 來估計 Domain 間距離 [9, 17, 20, 21]。方法是訓練一個分類器 (Hypothesis H)，使其能夠區分來自 Source Domain (目標分類為 1) 和 Target Domain (目標分類為 0) 的資料 [15, 20, 21].
- 分類器越難區分 Source 和 Target 資料（錯誤率越高），表示兩個 Domain 距離越小 [17, 20, 22, 23]。
- 這種方法避免了處理複雜分佈和微小偏移的問題 [17, 20, 21].
Symmetric Difference Hypothesis Space Distance： 這是一種基於 Hypothesis 的距離衡量方法，定義了兩個 Hypothesis 在資料分佈上產生不同預測結果的區域的「大小」[14, 16, 24]. 它在理論推導中用於將錯誤率與 Hypothesis 距離聯繫起來 [18, 25].
Lemma 3 概念： 這個引理解釋了如何將兩個 Hypothesis 之間的錯誤率差異轉換為 Hypothesis 之間的距離 [9, 18, 25].

實際應用方法與案例

理論指導演算法設計： Domain Adaptation 理論為設計演算法提供了指導思路，即通過減小 Source 和 Target 之間的距離來改進模型性能 [9, 26].
縮小網域差距的方法 (使用 GANs)： [10]
- 減小 Feature Space 距離： 利用 GANs 的 Discriminator 來區分 Source 和 Target Domain 資料在 Feature Space 的表示 [27]。訓練生成器/特徵提取器產生能騙過判別器的 Source Features，迫使 Source 和 Target Features 分佈更接近 [27].
- 減小 Image Space 距離 (Image-to-Image Translation)： 直接將 Source Domain 圖像轉換為 Target Domain 風格，使合成圖像看起來更真實 [27, 28]. 可以使用 GANs 實現此目的，類似 CycleGAN 的方法 [9, 28].
合成資料 (Synthesized Data) 的應用： 在 Target Domain 標籤資料稀缺時非常有用 [26, 29].
- 可以使用 3D 建模工具（如 Blender 和 MakeHuman）生成大量帶有精確標籤的 Source Domain 合成資料（如人體關節位置）[9, 16, 23, 26, 28, 30].
- 將在大量合成資料上訓練的模型遷移到少量的真實 Target Domain 資料上 [26, 29].
- 合成資料的優勢在於可以大量生成並控制變數（如服裝、背景、人種、姿態等），減少真實資料收集和標記的難度 [23, 26, 29].
人體關節位置偵測案例： Source Domain 使用合成的 3D CAD 模型資料 [16, 26, 29]，Target Domain 使用真實照片 [26, 29]. 通過 Domain Adaptation 技術，使在合成資料上訓練的模型能泛化到真實照片 [26, 29]. 研究顯示利用 GAN 縮小 Domain Gap 能提高效果 [9, 27, 28].
醫學資料應用與挑戰： 醫學資料獲取真實標記資料困難 [9, 31]，不同醫院/儀器資料差異大 [9, 31]，標記標準不一 [9, 31]. 克服醫學應用的挑戰不僅是技術問題，還涉及法規、制度和與醫院關鍵人員的合作 [9, 31, 32]. 連續學習 (Continuous Learning) 或終身學習 (Lifelong Learning) 可能有潛力 [9, 31].
多個 Source Domain 的選擇： 當有多個 Source Domain 可選時，應選擇與 Target Domain 距離最小的 Source Domain [22]. 可以通過訓練一個分類器 (類似於 GAN 的 Discriminator) 來區分不同 Source Domain 和 Target Domain 的資料 [22, 23]. 難以區分的 Source Domain (分類器錯誤率高) 表示距離較小，是較好的選擇 [22, 23].