面向多源域适应的自适应硬度驱动数据增强与对齐策略

多源域适应（MDA）旨在将来自多个标记源域的知识迁移到未标记的目标域。然而，传统方法主要通过样本级约束（如最大均值差异，MMD）实现域间对齐，忽视了三个关键方面：1) 数据增强的潜在价值，2) 域内对齐的重要性，以及3) 聚类级约束的设计。本文引入一种新颖的硬度驱动策略，用于 MDA任务，命名为"A3MDA"，通过自适应硬度量化与利用在数据增强和域对齐中综合考虑上述三个方面。为此，"A3MDA"逐步提出三种自适应硬度测量（AHM），即基础硬度、光滑硬度和比较硬度，每个测量均包含针对不同情景的独特机制。具体而言，基础硬度旨衡量每个源/目标样本的即时硬度。随后，由光滑硬度测量得到的硬度值将自适应调整强数据增强的强度，以维持与模型泛化能力的兼容性。相反，比较硬度旨在促进聚类级约束。通过将硬度值作为样本特定权重，传统MMD被扩展为加权聚类变体，从而增强了域间对齐的鲁棒性和精确性。对于常被忽视的域内对齐，我们基于硬度排名选择更难的样本，自适应构建伪对比矩阵，从而提高伪标签质量，构建良好的目标特征空间。在多个MDA基准测试上的实验表明，"A3MDA"超越了其他方法。