基于源模型贡献量化的多无源域适应

作     者：田青 刘祥 王斌 郁江森 申镓硕 

作者机构：南京信息工程大学软件学院 南京信息工程大学无锡研究院 南京大学计算机软件新技术国家重点实验室 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62176128) 江苏省自然科学基金(BK20231143) 南京大学计算机软件新技术国家重点实验室开放课题(KFKT2022B06) 中央高校基本科研基金(NJ2022028) 江苏省“青蓝工程”人才计划项目 

主　　题：多无源域适应 多模型贡献量化 源模型可转移性感知 信息最大化 样本可信划分 

摘      要：作为机器学习领域的研究新方向，多无源域适应旨在将多个源域模型中的知识迁移到目标域，以实现对目标域样本的准确预测。本质上，解决多无源域适应的关键在于如何量化多个源模型对目标域的贡献，并利用源模型中的多样性知识来适应目标域。为了应对这些问题，文章提出了一种基于源模型贡献量化的多无源域适应（Source Model Contribution Quantizing， SMCQ）方法。具体而言，该方法引入了源模型可转移性感知以量化源模型的可转移性贡献，从而为目标域模型有效地分配源模型的自适应权重。随后，提出了可信划分全局对齐方法，用于划分高可信和低可信样本，以应对域差异引起的嘈杂环境，并有效降低标签分配错误的风险。此外，还提出了样本局部一致性损失，以减缓伪标签噪声对低可信样本聚类错误的影响。最后，通过在多个数据集上的实验，验证所提方法的有效性和性能优越性。