目标结构学习对策

三类基准任务最优

利用目标结构信息实现类条件分布对齐，显著降低目标域误差，鲁棒应对开放世界源域噪声。

Li, Jingzheng · 孙海龙 · Chai, Lei · Li, Jiyi

ACM Transactions on Multimedia Computing, Communications and Applications 2024

参数信息

基准数据集数量

3

技术优势

类条件对齐更准

通过引入目标结构信息建模类间关系，使类条件分布对齐更充分，从而降低目标域期望误差。

开放世界噪声下仍鲁棒

利用目标结构信息设计的变体方法能应对含标签噪声和分布外样本的源域，增强模型鲁棒性。

应用场景

• 无监督域适应：在目标域无标注数据时，提升模型跨域迁移性能。
• 多类分类：同时对齐多个类别的条件分布，处理多类分类任务。
• 鲁棒学习：对源域中的标注噪声和分布外样本具有鲁棒性。
• 噪声数据学习：利用目标结构信息处理源域噪声标签，增强模型鲁棒性。