SCOT：基于最优传输软对应目标的多源跨城市迁移
机器学习
2026-05-12 v2
摘要
跨城市迁移通过利用其他城市的标注数据来改善标签稀缺城市的预测，但当城市采用不兼容的分区且不存在真实区域对应时，这变得具有挑战性。现有方法要么依赖启发式区域匹配（通常对锚点选择敏感），要么执行分布级对齐，使对应隐含且在强异质性下不稳定。我们提出SCOT，一个跨城市表征学习框架，通过基于Sinkhorn的熵最优传输在不等区域集之间学习显式软对应。SCOT进一步通过OT加权对比目标锐化可迁移结构，并通过循环式重建正则化器稳定优化。对于多源迁移，SCOT使用由目标引导的原型先验的平衡熵传输将每个源和目标对齐到共享原型中心。在真实城市和任务上，SCOT一致地改善了迁移准确性和鲁棒性，而学到的传输耦合和中心分配提供了对齐质量的可解释诊断。
引用
@article{arxiv.2604.07383,
title = {SCOT: Multi-Source Cross-City Transfer with Optimal-Transport Soft-Correspondence Objective},
author = {Yuyao Wang and Min Yang and Meng Chen and Weiming Huang and Yilong Yin and Yongshun Gong},
journal= {arXiv preprint arXiv:2604.07383},
year = {2026}
}
备注
34 pages, 19 figures, 23 tables