自适应图嵌入模型

一致性与特异性联合学习

同时学习样本间的几何距离与语义相似性，并自适应调整两者权重，在领域适应任务中构建更紧凑的嵌入结构。

滕少华 · Zefeng, Zheng · Wu, Naiqi · Teng, Luyao · 张巍

IEEE/CAA Journal of Automatica Sinica 2023

参数信息

基准数据集数量

5

技术优势

同类样本更紧凑

通过奖励同类邻居、惩罚异类邻居，保留紧凑结构，使分类器在目标域上更准确。

自适应权衡几何与语义

在迭代过程中自适应调整几何距离与语义相似性的相对重要性，避免固定权重带来的不适配。

应用场景

• 无监督领域适应：无需目标域标签，适用于目标域标注稀缺的场景。
• 跨域图像分类：利用源域图像分类器对目标域图像分类，如真实到合成图像。
• 迁移学习：将源域知识迁移到相关但不同的目标域。