用于域适应的保局部联合迁移

域适应旨在将来自标注良好的源域的知识迁移至标注匮乏的目标域。现有多数工作在特征层或样本层进行知识迁移。近期研究揭示，这两种范式本质上都重要，且优化其中之一可强化另一者。受此启发，我们提出一种新方法，联合利用分布匹配的特征适应与地标选择的样本适应。在知识迁移过程中，我们还考虑样本间的局部一致性，从而保留样本的流形结构。最后，我们采用标签传播预测新实例的类别。值得注意的是，我们的方法通过学习域特定投影，适用于同构与异构域适应。在五个公开基准（包含标准与大规模数据集）上的大量实验验证，我们的方法不仅显著优于传统方法，也优于端到端深度模型。实验还表明，我们可通过异构适应利用手工特征提升深度特征的精度。