语义相关性迁移模型

异构域适应新颖方法

与现有只对齐特征分布的异构域适应方法不同，本模型通过显式迁移源域的类别相关关系来增强目标域特征的判别性，同时提升域间特征的可迁移性。

Ying, Zhao · 李爽 · 张瑞 · Liu, Chi Harold · 曹伟朋 · Wang X. · Tian, Song

IEEE Transactions on Neural Networks and Learning Systems 2025

技术优势

提升判别性

通过迁移源域中不同类别之间的语义相关性知识，使得目标域特征在类别层面更具区分度。

同时对齐多种分布

不仅对齐边缘分布，还对齐条件分布，从而减小域差异。

显式迁移类相关性

通过最大化跨域同类相似度，将源域类别相关性知识有效迁移到目标域。

应用场景

• 机器人跨域感知：机器人跨域感知可利用本模型对齐不同环境特征分布，提升识别准确性。
• 具身智能跨模态学习：具身智能跨模态学习可借鉴本模型迁移类别相关性，增强多模态特征的判别性。
• 物联网多源数据适配：物联网多源数据适配可利用本模型对齐不同设备数据分布，实现知识迁移。