面向医学诊断的子类型感知无监督域自适应

无监督域自适应（UDA）的近期进展表明，可迁移的原型学习为类条件对齐提供了强有力的手段，其鼓励跨域类中心靠近。然而，跨域类内紧凑性以及潜在的细粒度子类型结构在很大程度上未被充分探索。在本文中，我们提出通过显式地以中间伪标签强制类间分离与子类型间紧凑性，自适应地执行细粒度子类型感知对齐。我们的核心见解是：一个类的未标记子类型可能彼此发散，具有不同的条件偏移和标签偏移，同时继承子类型内的局部邻近性。我们研究了有或没有子类型数量先验信息的情况，以在线方式发现潜在的子类型结构。所提出的子类型感知动态 UDA 在医学诊断任务上取得了有前景的结果。