横向对比学习与域适应：理论视角与实用应用
机器学习
2025-02-04 v1 人工智能
摘要
本工作从理论视角研究了横向对比学习与域适应之间的关系。两种标准对比损失——NT-Xent损失（自监督）和监督对比损失——与广泛用于域适应的类别均值最大偏差（CMMD）相关。我们的工作表明，最小化对比损失可降低CMMD，同时提高类别可分性，这为在域适应背景下使用对比学习奠定了理论基础。鉴于域适应在医学影像中的重要性，我们将实验聚焦于乳腺影像。三个乳腺影像数据集上的大规模实验——人工合成补丁、临床（真实）补丁和临床（真实）图像——显示，在最小化监督对比损失时，域适应、类别可分性和分类性能均得到改善。
引用
@article{arxiv.2502.00052,
title = {Bridging Contrastive Learning and Domain Adaptation: Theoretical Perspective and Practical Application},
author = {Gonzalo Iñaki Quintana and Laurence Vancamberg and Vincent Jugnon and Agnès Desolneux and Mathilde Mougeot},
journal= {arXiv preprint arXiv:2502.00052},
year = {2025}
}