AAE：combination of GAN and VAE
use MMD term on the Hidden Representations to push the domains close in the latent space of AAE; → 减小source domains的中间表示的距离；
use the adversarial training to push the domains latent distribution to a prior distribution; →对抗训练使得对齐好的domains的中间表示分布的q(En(x)) 贴合引入的先验分布p(h)，从而保证了所有domain地中间表示q(En(x))遵循相同的分布，使得模型可以泛化到unseen的target domain；
缺点： 默认domains之间的P(Y|X)是stable的（invariant的）；如果P(Y|X)会随着P(X)的改变而变，那么得到的结果虽然P(En(X))是domain-invariant的，但是P(En(X), Y)不是，仍不能实现Domain Generalization
Encoder: En
Decoder: De
Classifier: C
Discriminator: D
$$ \min_{P,Q,C}\max_{D}L_{cls}+\lambda_0L_{re-construct}+\lambda_1L_{MMD}+\lambda_2L_{gan} $$
$$ L_{gan}=\mathbb{E}{h\sim p(h)}logD(h)+\mathbb{E}{x\sim p(x)}log(1-D(En(x))) $$
训练好后，把一个unseen的domain输入encoder，得到hidden representation，再输入分类器即可完成Domain Generaliaztion；