基于拓扑正则化的域自适应

深度学习已成为辅助目标识别的主流方法。尽管这些方法通常需要大量带标签的训练数据，域自适应（DA）或迁移学习（TL）使这些算法能够将知识从带标签（源）数据集迁移到感兴趣的未带标签但相关的（目标）数据集。DA使网络克服源域与目标域之间的分布失配，该失配会导致目标域中泛化性能差。DA技术通过最小化源域与目标域之间的散度度量来对齐这些分布，使知识从源域到目标域的迁移成为可能。尽管这些算法近年来已取得显著进展，大多数并未在源与目标对齐时显式利用全局数据流形结构。我们提出通过应用一种称为持续同调的拓扑数据分析（TDA）技术到TL中来利用全局数据结构。在本文中，我们考察了在域对抗（DAd）卷积神经网络（CNN）架构中持续同调的使用。实验表明，仅对齐持续性不足以实现迁移，还必须结合拓扑奇点的寿命一并考虑。此外，我们发现较长的寿命指示了鲁棒的判别性特征以及更有利的数据结构。我们发现现有的基于散度最小化的DA方法改善了拓扑结构，正如相对于未使用这些正则化技术的基线所表明的那样。我们希望这些实验能凸显拓扑结构如何被利用以提升TL任务中的性能。