通过单一对齐实现域迁移可辨识性
机器学习
2026-05-19 v1 人工智能
计算机视觉与模式识别
摘要
域迁移（DT）将源分布映射到目标分布，支持诸如无监督图像到图像翻译、单细胞分析和跨平台医学成像等任务。然而，DT 本质上是 ill-posed 的：推前映射通常不可辨识，因为 measure-preserving automorphisms（MPA）保留边际分布，同时改变跨域对应关系，导致内容错位的翻译。近期工作表明，通过联合转移多个对应的源/目标条件分布可以消除 MPA，但标记此类条件的监督信号在实际中并非总是可用。我们发展了一条替代路径以实现 DT 可辨识性。在 Jacobian 支持模式的结构稀疏性条件下，我们证明分布匹配结合单个配对锚定样本即可识别 ground-truth transfer —— 这需要的监督远少于先前方法。为 enable 实际的高维学习，我们进一步提出一种基于随机掩码有限差分的高效 Jacobian 稀疏正则器，构建无需显式 Jacobian 计算的可扩展代理。合成和真实世界 DT 任务的实证结果验证了该理论。
引用
@article{arxiv.2605.17918,
title = {Domain Transfer Becomes Identifiable via a Single Alignment},
author = {Sagar Shrestha and Subash Timilsina and Hoang-Son Nguyen and Xiao Fu},
journal= {arXiv preprint arXiv:2605.17918},
year = {2026}
}