L'adaptation de domaine (AD) vise à transférer des connaissances d'un domaine source étiqueté vers un domaine cible non étiqueté ou faiblement étiqueté sous des changements de domaine. La plupart des travaux antérieurs se concentrent sur la capacité de transfert inter-domaine mais négligent largement les structures intra-domaine riches, ce qui se traduit empiriquement par une discriminabilité encore pire. Pour s'attaquer à ce compromis, nous proposons un cadre d'alignement spectral généralisé des graphes, SPA++. Son noyau se condense brièvement comme suit : (1) en projetant le problème de l'AD sur des primitives de graphes, il compose un mécanisme d'alignement grossier de graphes avec un nouveau régulateur spectral pour aligner les graphes de domaine dans des espaces propres ; (2) nous développons en outre un mécanisme de propagation prenant en compte les voisins pour une discriminabilité améliorée dans le domaine cible ; (3) en intégrant l'augmentation de données et la régularisation de cohérence, SPA++ peut s'adapter à des scénarios complexes, y compris la plupart des configurations d'AD et même des scénarios de distribution difficiles. De plus, nous fournissons également une analyse théorique pour soutenir notre méthode, y compris la borne de généralisation de l'AD basé sur des graphes et le rôle de l'alignement spectral et de la cohérence lissée. Des expériences approfondies sur des ensembles de données de référence démontrent que SPA++ dépasse systématiquement les méthodes de pointe existantes, offrant une robustesse et une adaptabilité supérieures à travers divers scénarios d'adaptation difficiles.
Xiao et al. (Jeu,) ont étudié cette question.