Le Cam 失真：面向鲁棒迁移学习的决策论框架

分布迁移是现实机器学习的核心挑战。主导范式——无监督域适应（UDA）——通过对称散度最小化强制特征不变性，将源域和目标域表示对齐 [Ganin 等，2016]。我们证明这一方法本质上存在缺陷：当域信息不平等（例如高质量传感器与降级传感器）时，严格的特征不变性要求信息被破坏，从而导致“负迁移”，在安全关键应用中可能造成灾难性后果 [Wang 等，2019]。我们提出一种基于 Le Cam 统计实验理论 [Le Cam，1986] 的决策论框架，通过构造近似方法将对称不变性替换为方向可模拟性。我们引入 Le Cam 失真，通过 Deficiency Distance δ(E₁, E₂) 量化，作为可模拟性条件下的迁移风险的严格上界。我们的框架通过学习一种模拟从源域生成目标域的核函数，实现无源域降级的迁移。在五项实验（基因组学、计算机视觉、强化学习）中，Le Cam 失真实现了：（1）HLA 基因组学中接近完美的频率估计（相关系数 r=0.999，匹配经典方法），（2）CIFAR-10 图像分类中零源域效用损失（准确率保持 81.2%，而 CycleGAN 仅为 34.7%），以及（3）在强化学习控制中实现安全策略迁移，而基于不变性的方法则遭遇灾难性崩溃。Le Cam 失真为在负迁移不可接受的领域（医学影像、自动驾驶、精密医学）提供了首个原则化的风险控制迁移学习框架。