论无监督域适应中表征学习的可迁移性与可判别性
计算机视觉与模式识别
2025-05-29 v1 机器学习
摘要
在本文中，我们解决了无监督域适应（UDA）中仅依赖分布对齐和源域经验风险最小化的局限性。我们的信息论分析表明，这种标准的基于对抗的框架忽略了目标域特征的可判别性，导致性能次优。为了弥合这一理论与实践之间的差距，我们将“良好的表征学习”定义为同时保证可迁移性和可判别性，并证明了针对目标域可判别性的额外损失项是必要的。基于这些见解，我们提出了一种新颖的基于对抗的 UDA 框架，该框架显式地将域对齐目标与可判别性增强约束相结合。我们的方法实例化为具有全局和局部一致性的域不变表征学习（RLGLC），利用非对称松弛的 Wasserstein of Wasserstein Distance（AR-WWD）来解决类别不平衡和语义维度加权问题，并采用局部一致性机制来保留细粒度的目标域判别信息。在多个基准数据集上的大量实验表明，RLGLC 始终超越 state-of-the-art 方法，证实了我们理论视角的价值，并强调了在基于对抗的 UDA 中同时实施可迁移性和可判别性的必要性。
引用
@article{arxiv.2505.22099,
title = {On the Transferability and Discriminability of Repersentation Learning in Unsupervised Domain Adaptation},
author = {Wenwen Qiang and Ziyin Gu and Lingyu Si and Jiangmeng Li and Changwen Zheng and Fuchun Sun and Hui Xiong},
journal= {arXiv preprint arXiv:2505.22099},
year = {2025}
}