通过减少环境不一致性缓解负迁移
机器学习
2025-10-29 v1
摘要
无监督域适应~(UDA) 旨在将标记源域的知识传递到无标签目标域，解决域移变更的挑战。显著的域移阻碍有效知识传递，导致负迁移并恶化模型性能。因此，缓解负迁移至关重要。本研究通过因果解耦学习的视角重审负迁移，强调跨域对非因果环境特征的判别性不一致性是关键因素。我们的理论分析揭示，过度依赖随环境演变而变化的非因果环境特征会导致判别性不一致~(称为“环境不一致”)，从而导致负迁移。为此，我们提出了减少环境不一致性(RED)，通过在相反域中对抗性训练域特定环境特征提取器来将每个样本解耦为域无因果特征和域特定非因果环境特征。随后，RED 基于域特定的非因果环境特征估计并减少环境不一致。实验结果确认，RED 有效缓解了负迁移，实现了最先进的性能。
引用
@article{arxiv.2510.24044,
title = {Mitigating Negative Transfer via Reducing Environmental Disagreement},
author = {Hui Sun and Zheng Xie and Hao-Yuan He and Ming Li},
journal= {arXiv preprint arXiv:2510.24044},
year = {2025}
}
备注
13 pages, 5 figures