Die heterogene Domänenanpassung bleibt aufgrund der inkonsistenten Merkmalsdarstellungen und Datenverteilungen zwischen den Quell- und Zielbereichen eine Herausforderung. In diesem Papier führen wir das kontrastive Lernen in die heterogene Domänenanpassung ein, was in der Literatur kaum berücksichtigt wird. Genauer gesagt, schlagen wir ein neuartiges Modell namens Prototype Contrastive and Adversarial Alignment (PCAA) vor, das sowohl Merkmals- als auch Klassenverteilungsanpassungen berücksichtigt, um einen informativen gemeinsamen Merkmalsraum für die Quell- und Zielbereiche zu entdecken. Für die Anpassung der Merkmalsverteilung entwickeln wir ein adversariales Netzwerk, um den Unterschied in der marginalen Verteilung zu reduzieren. Darüber hinaus umfasst PCAA ein prototypisches kontrastives Schema, um die bedingte Verteilungsabweichung für die Klassenverteilungsanpassung zu minimieren. Weiterhin reduzieren wir den Kreuzentropieverlust bei den gekennzeichneten Proben, um informative latente Darstellungen zu erreichen. Experimente an mehreren realen Datensätzen validieren die Wirksamkeit des vorgeschlagenen Modells für die Bildklassifizierung.
Sun et al. (Tue,) haben diese Frage untersucht.