基于几何正则化的迁移学习：离子域与离子域扰动
计算机视觉与模式识别
2025-12-05 v2
摘要
由于源域和目标域数据流形之间的差异，迁移学习下的迁移仍然是一个根本性挑战。本文提出 MAADA（Manifold-Aware Adversarial Data Augmentation），一个新颖的框架，将对抗扰动分解为离子域和离子域两个分量，以同时捕捉语义变化和模型脆弱性。我们理论上表明，强制执行离子域一致性可降低假设复杂度并提高泛化性，而离子域正则化则平滑了低密度区域中的决策边界。此外，我们引入几何感知对齐损失，以最小化源域和目标域流形之间的测地距离差异。在 DomainNet、VisDA 和 Office-Home 上的实验表明，MAADA 在无监督和少量样本设置下均一致优于现有的对抗和适应方法，显示出卓越的结构鲁健性和跨域泛化能力。
引用
@article{arxiv.2505.15191,
title = {Geometrically Regularized Transfer Learning with On-Manifold and Off-Manifold Perturbation},
author = {Hana Satou and Alan Mitkiy and Emma Collins and Finn Kingston},
journal= {arXiv preprint arXiv:2505.15191},
year = {2025}
}
备注
arXiv admin note: This version has been removed by arXiv administrators as the submitter did not have the right to agree to the license at the time of submission