DualAdaptNet：通过误差累积抑制与双头异构学习增强域自适应回归

《Pattern Recognition》：DualAdaptNet: Enhancing Domain Adaptation Regression with Error Accumulation Reduction and Dual-Head Heterogeneous Learning

本文提出DualAdaptNet模型，通过误差累积抑制（EAR）模块和双头异构学习（DHHL）模块解决域自适应回归（DAR）中的两大核心问题：回归器跨域适应性不足导致的误差累积，以及回归任务对数据波动敏感引发的预测偏差。该框架通过辅助回归器估计目标域最差预测场景，并结合对抗优化策略提升特征生成器与回归器的跨域适应能力，在五个基准测试中展现出先进性能。

　　

^h亮点^/h

任务特异性数据敏感性

为阐明分类与回归任务的区别，我们通过探索性研究证明回归任务对数据波动具有更高敏感性。在分类任务中使用MNIST和CIFAR10数据集，回归任务采用MPI3D数据集。通过向训练数据添加不同噪声，发现回归任务中微小输入扰动会导致输出值的剧烈波动（如图2所示），这凸显了回归模型在域自适应中对数据分布偏移的脆弱性。

符号定义

在域自适应回归（DAR）中，我们拥有带标签的源域样本X_s = {(x_sⁱ, y_sⁱ)}_i=1^N_s 和无标签的目标域样本X_t = {x_tⁱ}_i=1^N_t。回归映射可表示为{X_s, X_t} ? Y，其中Y ∈ R^N_r为回归输出维度。特征生成器G_f生成的源域特征矩阵F_s由特征向量[f_s¹, f_s², ?, f_sⁿ]组成，批次大小为n，目标域特征矩阵F_t同理。

数据集

dSprites：包含三个域（彩色、噪声、尖叫）的2D合成数据集，每个域含逾73万张图像。

MPI3D：面向水平与垂直轴回归的仿真-真实数据集，三个域共含103.68万张图像。

Biwi Kinect：以头部中心位置为回归变量的姿态数据集，包含逾1.5万张图像，按性别划分域。

渲染手部姿态数据集（RHD）：合成手部姿态数据集...

结论

本研究通过整合误差累积抑制（EAR）与双头异构学习（DHHL）模块的DualAdaptNet框架，有效解决了域自适应回归中目标域预测误差累积和数据分布偏移引起的预测偏差问题。EAR通过辅助回归监督改善最差场景预测，DHHL则通过对抗学习增强模型跨域适应性。