重新思考基于流模型的渐进式域适应：半对偶最优传输视角
机器学习
2026-02-03 v1
摘要
渐进式域适应（GDA）旨在通过中间域逐步适应模型，从源域迁移到目标域，以缓解域间迁移。然而，实际的中间域往往不可得或效果不佳， necessitating 对中间样本的合成。流模型最近被用于此目的，通过在源分布和目标分布之间进行插值；然而，这些模型的训练通常依赖于基于样本的对数似然估计，这可能会丢弃有用信息，从而影响 GDA 的性能。解决此限制的关键在于直接通过样本构建中间域。为此，我们提出了基于熵正则化的半对偶不平衡最优传输（E-SUOT）框架，用于构建中间域。具体而言，我们将基于流的 GDA 重新表述为拉格朗日对偶问题，并推导出等价的半对偶目标，从而无需进行似然估计。然而，对偶问题会导致训练过程不稳定的最小-最大问题。为缓解此问题，我们进一步引入熵正则化，将其转换为更稳定的替代优化过程。基于此，我们提出了一种新的 GDA 训练框架，并就稳定性和泛化性进行了理论分析。最后，进行了大量实验，以证明 E-SUOT 框架的有效性。
引用
@article{arxiv.2602.01179,
title = {Rethinking the Flow-Based Gradual Domain Adaption: A Semi-Dual Optimal Transport Perspective},
author = {Zhichao Chen and Zhan Zhuang and Yunfei Teng and Hao Wang and Fangyikang Wang and Zhengnan Li and Tianqiao Liu and Haoxuan Li and Zhouchen Lin},
journal= {arXiv preprint arXiv:2602.01179},
year = {2026}
}