摘要
特征对齐域适应（DA）方法（如CORAL和MMD）被广泛用于缓解训练（源）域与部署（目标）域之间的分布偏移。它们通常在单个下游分类器上进行评估，这隐含地假设了对齐收益可以跨模型族迁移。我们在成像大气切伦科夫望远镜（Imaging Atmospheric Cherenkov Telescope）特征的控制类对称偏移上检验了这一假设，使用了五个载体分类器、三种对齐方法和每单元十五个随机种子。确立这一点的前提是首先纠正一种我们认为由扰动单个样本构建的基准中普遍存在评估协议问题：当目标由载体部分训练过的数据的扰动副本组成时，所测量的适应收益会被一个跟随载体记忆能力的系数放大（从逻辑回归的 $\frac{2}{3}$ 到无界深度随机森林的 $\frac{9}{10}$），从而使此类基准报告了一个可能并不实际存在的载体梯度。当仅在对没有任何载体见过的样本上评分时，载体仍然重要（而且重要了两方面）：相同的偏移对超平面载体造成 $\frac{1}{2}$ 的AUC损失，对树集成造成0.006–0.008的损失，而CORAL在逻辑回归上恢复了该损失的 $\frac{2}{3}$，在对树集成上恢复了84–$\frac{5}{6}$，这一差异在RBF核MMD对任何已确定比率的载体上均未出现。一种未采用任何适应的边缘敏感度测量复现了这一排序。完整目标协议所报告的两个效果在留出样本上不存在：随树深度增长的收益，以及协方差对齐相比均值匹配在深度树上的优势。我们提出了一个两轴框架（偏移对称性 × 载体边缘敏感度），然后检验了其类对称行，并就偏移条件下的域适应评估与部署给出了实用建议。
