面向异构域适应的跨域结构保持投影

异构域适应 (HDA) 解决的是源域和目标域数据模态不同（例如文本和图像）或特征维度不同（例如用不同方法提取的特征）的迁移学习问题。它对于多模态数据分析很有用。传统的域适应算法假设源域和目标域样本的表示位于同一特征空间中，因此很可能无法解决异构域适应问题。当代最先进的 HDA 方法通常由复杂的优化目标组成以取得良好性能，因此计算代价高且泛化性较差。为解决这些问题，我们提出了一种新颖的用于 HDA 的跨域结构保持投影 (CDSPP) 算法。作为经典 LPP 向异构域的扩展，CDSPP 旨在学习特定于域的投影，将源域和目标域的样本特征映射到一个公共子空间中，从而保持类一致性并充分对齐数据分布。CDSPP 简单且通过求解广义特征值问题具有确定性解。它天然适用于有监督 HDA，但也已扩展到半监督 HDA，其中可利用未标记的目标域样本。我们在常用的基准数据集（即 Office-Caltech、Multilingual Reuters Collection、NUS-WIDE-ImageNet）上进行了大量实验，并使用了我们首次为 HDA 引入的 Office-Home 数据集，因其类别数（65 对比 10、6 和 8）显著多于现有数据集。有监督和半监督 HDA 的实验结果均表明，我们提出的方法相对于当代最先进方法具有更优性能。