基于特征校正的多对抗域适应方法

领域自适应可以通过对齐源域和目标域的分布将有标签的源域信息迁移到没有标签但相关的目标域。然而,现有的大多数方法仅对源域和目标域的低层特征分布进行对齐,无法捕获样本中的细粒度信息。基于此,提出了一种基于特征校正的多对抗域适应方法。该方法在引入注意力机制以突出可迁移区域的基础上,通过部署特征校正模块对齐两个域之间的高级特征分布,进一步缩小域差异。此外,为了避免单个分类器过度拟合其自身的噪声伪标签,还提出了双分类器协同训练,并利用图神经网络特征聚合的特性生成更精准的源域标签。在3个迁移学习基准数据集上的大量实验证明所提方法的有效性。

基于K-means聚类的子结构相关适配迁移学习方法

域漂移严重影响了传统机器学习方法的性能,现有的领域自适应方法主要通过全局、类级或样本级分布匹配自适应地调整跨域表示。但全局匹配和类级匹配过于粗糙会导致自适应不足,而样本级匹配受到噪声的影响可能导致过度自适应。基于此,提出了一种基于K均值(K-means)聚类的子结构相关适配(SCOAD)迁移学习算法,首先通过K-means聚类分别获得源域和目标域的多个子域,其次寻求子域中心二阶统计量的匹配,最后利用子域内结构对目标域样本进行分类。该方法在传统方法的基础上进一步提高了源域与目标域之间知识迁移的性能。在常用迁移学习数据集上的实验结果表明了所提方法的有效性。