对齐、最小化与多样化：一种用于手写文本识别的无源无监督域适应方法

本文旨在介绍对齐、最小化与多样化（AMD）方法，这是一种用于手写文本识别的无源无监督域适应方法。该框架将适应过程与源数据解耦，不仅避免了资源密集型的重训练过程，还使得利用现代深度学习架构中编码的丰富预训练知识成为可能。我们的方法通过引入三个不同的正则化项，明确消除了在适应过程中重新访问源数据的需要：对齐项，用于减少源数据和目标数据之间的特征分布差异，确保预训练表征的可迁移性；最小化项，鼓励模型做出自信的预测，将输出推向类似独热编码的分布，以最小化预测不确定性；最后是多样化项，通过在整个目标数据中促进多样化和独特的序列，防止预测退化，避免信息坍缩。在多个基准数据集上的实验结果证明了AMD的有效性和鲁棒性，显示出其具有竞争力，并且常常优于手写文本识别中的域适应方法。