置信样本选择与差异性特征增强的域适应.pdfVIP

第

42

卷

第

3

期广东工业大学学报Vol.

42

No.

3

2025

年

5

月JournalofGuangdongUniversityofTechnologyMay

2025

滕少华,

吴泽锋,

滕璐瑶,

等.

置信样本选择与差异性特征增强的域适应[J].

广东工业大学学报,

2025,

42(3):

12–26.

doi:

10.12052/gdutxb.230188.

Teng

Shaohua,

Wu

Zefeng,

Teng

Luyao,

etal.

Confidence

sample

selection

and

specific

feature

enhancement

for

domain

adaptation[J].

Journal

of

Guangdong

University

of

Technology,

2025,

42(3):

12–26.

doi:

10.12052/gdutxb.230188.

置信样本选择与差异性特征增强的域适应

滕少华，吴泽锋，滕璐瑶，张

巍，曾

莹11211

（1.

广东工业大学

计算机学院,

广东

广州

510006；2.

广州番禺职业技术学院

信息工程学院,

广东

广州

511483）

摘要:域适应学习因其有效减少域差异实现标签传播被广泛应用。目前，大多数域适应学习仅通过线性判别分析增

强线性数据的判别性而忽略了现实世界存在非线性数据；同时，这些方法未考虑目标域的低置信样本对训练过程的

负影响。因此，本文提出一种新颖的置信样本选择与差异性特征增强的域适应框架(Confidence

Sample

Selection

and

Specific

Feature

Enhancement,

CSS-SFE)。首先，该框架通过最小最大原则选择高置信的目标样本来辅助训练，减少

不正确伪标签影响；其次，权衡类散点矩阵和邻居散点矩阵的贡献来增强线性和非线性数据集的特征，提高数据集

的判别性；接着，分别为源域和目标域的样本学习不同投影矩阵来保持各自的差异性特征，防止源域和目标域的样

本区分性降低；再次，进一步应用边缘分布对齐和条件分布对齐减少域分布差异；最后，在多个基准数据集上进行

的广泛实验证明该方法优于目前的方法。

关键词:高置信样本选择；差异性特征增强；域适应；标签传播

中图分类号:TP181

文献标志码:A

文章编号:1007–7162(2025)03–0012–15

ConfidenceSampleSelectionandSpecificFeatureEnhancementfor

DomainAdaptation

Teng

Shaohua,

Wu

Zefeng,

Teng

Luyao,

Zhang

Wei,

Zeng

Ying11211

(1.

School

of

Computer

Science

and

T