现实中，很多AI任务都是成对出现的。

比如，中英互译，既要从中文翻译成英文，又要从英文翻译成中文。这样的任务就叫做对偶任务。

 

对偶学习利用人工智能处理任务的对称属性，使其获得更有效的反馈，从而引导、加强学习过程，其中primal表示求解原始问题，dual表示求解与其相对的问题。

 

假设：学习过程中有两个智能体A和B：

                A从事原任务：从x映射到y的学习任务；

                B从事对偶任务：从y再映射回x。

 

在一次对偶学习过程中，先用A的模型 f 将 x 映射成 y：y = f(x)；

再用B的模型 g 将 y 映射为 x': x' = g(y)。

然后，比较 x 和 x'：如果 x = x'，就说明 f 和 g 都是成功的模型；

如果它们相差大，则说明 f 和 g 至少有一个不好。

---

 

首先，要有两个比较弱的模型 f 和 g。

然后，开始对偶学习训练，大致过程是这样的：

1. 取一个英文句子 x，通过英译中模型 f，翻译为一个中文句子 y。

其中，可以得到一些反馈信息：比如：

                是不是符合语法，是不是通畅，是否和英汉词典一致等等。

 

2. 用中译英模型 g ，把 y 再翻译为英文句子 x'。

反馈信息：

                x' 是否符合语法、通畅，x'与 y 的关系是否与英汉词典一致，x'和 x是否相似等。

 

3. 用这些反馈信息，然后用各种具体的算法，反复迭代，更新模型，直到最终 f 和 g 都令人满意。

 

4. 不断循环前面的步骤，直至过程收敛。

 

对偶学习的扩展应用非常多：

比如：它和GAN结合，形成对偶学习生成对抗网络(DualGAN)：把图像处理看成是“图片翻译”的问题。