基于局部距离的私有类别识别：面向极端标签迁移的领域适应
人工智能
2026-05-08 v1
摘要
领域适应旨在将来自标记源域的知识传递到标记目标域，但两者分布不同。在现实场景中，两域的标签空间常存在包含关系：某些类别仅存在于一个域而不在另一个域。这些非重叠类别称为私有类别。识别私有类别样本并缓解其不利影响是该领域文献中的关键问题。现有方法依赖假设：私有类别的迁移足够大，可视为异常值。然而，单个共享类别内部的方差可能显著大于私有类别与另一个共享类别之间的差异，这挑战了该假设。因此，私有类别显著增加跨域分类的难度。为解决此问题，基于最优传输（OT）的局部距离和度量属性，本文提出一种基于传输质量评分函数的局部感知私有类别识别方法。理论证明了所提方法的有效性，突出了该评分函数在区分共享与私有类别样本方面的强大能力。基于此，我们引入一种可靠的 OT 基于方法（ReOT），用于处理严重标签迁移下的领域适应。ReOT 在学习共享类别与私有类别分离聚类结构的同时最小化分类风险，有效避免共享-私有样本对之间的不匹配，从而确保重要知识可靠地在类内传输，以缓解类别条件差异。此外，本文提供一种针对极端标签迁移情景的目标风险上界，可被 ReOT 最小化。大量实验在基准数据集上验证了 ReOT 的有效性。
引用
@article{arxiv.2605.05567,
title = {Locality-aware Private Class Identification for Domain Adaptation with Extreme Label Shift},
author = {Chuan-Xian Ren and Cheng-Jun Guo and Hong Yan},
journal= {arXiv preprint arXiv:2605.05567},
year = {2026}
}