基于图卷积网络的增强原型域适应方法：理论分析与性能提升

《Expert Systems with Applications》：Towards Enhancing Prototypes Driven by Graph Convolutional Networkfor Domain Adaptation

本文提出增强原型网络（EnPro），通过图卷积网络（GCN）生成高质量伪标签，将域适应（DA）映射空间划分为共识（consensus）、邻近（vicinal）和脆弱（vulnerable）子空间，在无监督（UDA）和半监督（SSDA）设定下均实现SOTA性能。

　　

Section snippets

Motivations

本节通过展示DA理论与提出方法之间的联系来说明研究动机。根据Ben-David等人（2006, 2010）的理论，目标域上的预期误差（风险）上界?_t(h)由以下定理确定：

定理1：设H为假设空间。给定源域D_s和目标域D_t，我们有：

?h∈H, ?_t(h)≤?_s(h)+1/2 d_HΔH(D_s,D_t)+β,

其中h是可学习的假设，d_HΔH表示域差异，β为常数项。

Methodology

本节首先简要定义UDA和SSDA设定，然后提供本文常用符号说明和提出框架中各组件的操作流程，最后详细解释训练过程和整体损失函数。整体网络架构如图2所示（图示说明已省略）。

Experiments

本节首先详细描述实现EnPro方法的实验设置，然后通过与其他SOTA UDA和SSDA方法的对比结果展示本方法的卓越性能，最后提供扩展的消融研究以评估框架中各组件并分析训练策略的效率。

Ablation studies

我们在Office-Home数据集的八个域适应场景下，针对UDA和SSDA（3-shot）设定检验了辅助模型F和提出"伪边（pseudo-edge）"的有效性。UDA和SSDA实验分别使用ResNet-50和ResNet-34提取特征。如表9所示，基线模型的平均分类精度在两种设定下均表现最差。相反，通过引入辅助模型和伪边策略，平均分类精度得到显著提升。

Conclusion

本文通过将DA映射空间划分为共识、邻近和脆弱子空间，为DA任务提供了新视角。我们提出使用图卷积网络（GCN）作为辅助模型的新原型方法，同步扩展共识和邻近空间并最小化脆弱空间。该方法无需修改网络架构和训练策略即可适配UDA和SSDA设定。