基于展开的可调域适应
机器学习
2026-04-07 v1
摘要
机器学习模型常在数据分布不同的域之间难以泛化，例如噪声水平不同，导致性能下降。传统策略如基于个人化训练（为每个域训练独立模型）或联合训练（为所有域使用单一模型）在灵活性和有效性方面存在显著局限。为此，我们提出两种基于可解释展开网络的域适应方法，用于回归任务。这些模型灵感来自迭代优化算法，采用可解释的展开结构。我们的方法包括参数可调域适应 (P-TDA)，利用已知域参数进行动态调谐；以及数据驱动可调域适应 (DD-TDA)，直接从输入数据推断域适应。我们在包含噪声自适应稀疏信号恢复、域自适应增益校准和域自适应相位检索的压缩感知问题上验证了该方法，表明其在性能上优于联合训练基准，同时可与基于域的特定模型持平或更好。该工作凸显了展开网络在回归设置下实现有效、可解释域适应的潜力。
引用
@article{arxiv.2603.26931,
title = {Tunable Domain Adaptation Using Unfolding},
author = {Snehaa Reddy and Jayaprakash Katual and Satish Mulleti},
journal= {arXiv preprint arXiv:2603.26931},
year = {2026}
}