超越批处理学习：全局感知增强的域适应方法
机器学习
2025-02-11 v1
摘要
在域适应（DA）中，基于批处理策略的深度学习模型往往无法充分把握数据分布的全局统计和几何特征。为弥合这一差距，我们提出一种新颖的方法‘全局感知增强域适应’（GAN-DA），超越传统批处理限制。GAN-DA 引入独特的预定义特征表示（PFR）以促进跨域分布的对齐，从而实现全面的全局统计感知。该表示创新性地扩展至包含正交和公共特征方面，增强了全局流形结构的统一，并细化了决策边界以实现更有效的 DA。我们的广泛实验涵盖 27 种多样化的跨域图像分类任务，显示出 GAN-DA 相较于 24 种既定 DA 方法具有显著优势。进一步的深入分析揭示了其决策过程，阐明了 GAN-DA 的适应性和效率。该方法不仅解决了现有 DA 方法的局限性，还在域适应领域树立了新的基准，为该领域的未来研究和应用提供了广泛前景。
引用
@article{arxiv.2502.06272,
title = {Beyond Batch Learning: Global Awareness Enhanced Domain Adaptation},
author = {Lingkun Luo and Shiqiang Hu and Liming Chen},
journal= {arXiv preprint arXiv:2502.06272},
year = {2025}
}