Deep Domain Adversarial Neural Network（深度領域對抗神經網絡，DDANN）
是一類結合 深度學習 與 領域自適應（domain adaptation） 思想的神經網絡結構，主要用于不同數據域之間的知識遷移，尤其是在源域（source domain）和目標域（target domain）數據分布存在差異時，依然能夠保持較好的特征表示和預測性能。

---

1. 背景

在很多實際場景中，我們有：

• 源域：有充足的標注數據（如實驗室樣本）

• 目標域：無標注或少量標注數據（如真實應用環境中的樣本）

由于 數據分布差異（domain shift），直接用源域訓練的模型在目標域上性能會大幅下降。
領域對抗網絡（Domain Adversarial Network） 就是通過對抗學習，讓模型學到的特征在不同域之間“不可區分”，從而實現領域無關的特征提取。

---

2. 核心思想

DDANN 在普通的深度神經網絡中引入一個 域分類器（domain classifier），并通過 梯度反轉層（Gradient Reversal Layer, GRL） 實現對抗訓練：

1. 特征提取器（Feature Extractor）

   • 深度神經網絡（CNN、MLP 等），從輸入數據中提取高層特征表示。

2. 任務分類器（Task Classifier）

   • 用源域標注數據進行監督訓練，完成目標任務（如分類、回歸、分解等）。

3. 域分類器（Domain Classifier）

   • 預測樣本來自哪個域（源域還是目標域）。

   • 通過 GRL 實現特征提取器與域分類器的對抗訓練：

     • 域分類器希望能分辨域的不同；

     • 特征提取器希望生成的特征讓域分類器無法區分，即學習域不變特征。

---

3. 工作機制

DDANN 的訓練目標包含兩個部分：

• 任務損失 LtaskL_{task}：確保在源域任務上性能最優。

• 對抗域損失 LdomainL_{domain}：確保源域與目標域的特征分布盡可能接近。

整體優化目標為：

其中 λ控制任務性能與領域不變性的權衡。

---

4. 應用場景

• 跨域圖像分類（如不同相機拍攝的圖片）

• 跨批次生物數據分析（如蛋白質組、轉錄組中不同批次實驗數據）

• 語音識別（不同口音、不同錄音設備）

• 醫學影像（不同醫院、不同成像條件）

---