计算机工程与科学

作者：王姗姗, 汪梦竹, 骆志刚

单位：1.安徽大学计算智能与信号处理教育部重点实验室,安徽 合肥 230039；2.国防科技大学计算机学院并行与分布计算重点实验室,湖南 长沙 410073

关键词：无监督域适应,基于类的最大平均差异,局部对比损失,注意力机制,

基金：国家自然科学基金（62106003）

在无监督域适应任务中，源域和目标域的分布不同，源域数据标签已知，但是目标域的数据标签未知。最大平均差异MMD是一种具有代表性的分布度量方法，广泛应用于源域与目标域之间的分布差异度量。然而，MMD度量及其变种方法通常忽略了样本的类内紧凑性和类间可分离性，降低了特征表达的可判别性。因此，提出局部判别损失无监督域适应方法，从2个方面提升域适应方法的判别能力:（1) 重新设计MMD度量方法的权重，解决类别不均衡问题，使难对齐类别在域间分布上保持一致;（2) 探索局部对比损失，平衡正样本对和负样本对之间的关系，从而学习到更好的判别性特征。结合域间损失和类间损失，可使同一类样本靠近，不同类样本之间远离。该方法简单有效，即插即用，可扩展至注意力机制的网络结构上。在多个域适应数据集上，该方法的有效性均得到了验证。

来源：2024年第1期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第1期