双策略与置信度的域适应学习

摘要

领域自适应旨在充分利用源域标签信息，将源域知识泛化到目标领域.但现存域适应方法存在以下限制：1)无法有针对性地处理不同置信度数据，忽视了噪声数据的干扰；2)难以克服统计分布与流形结构联合情况下的领域偏移.为了提高分类器的鲁棒性，本文提出一种双策略与置信度的域适应方法，使得分类器能够针对不同置信度数据制定迁移策略.该方法以高置信度策略为主，引入双映射来分别学习源域与目标域的潜在特征，通过统计对齐结合判别性流形学习框架，降低域间偏移.另外，根据低置信度数据集的特殊性，将流形正则化作为低置信度策略，迁移相似度高的边界点.最后，在4个基准数据集上进行了对比实验，证明了本研究方法的有效性.

关键词

领域自适应 / 双策略 / 置信度 / 流形正则化