Page 132 - 《软件学报》2024年第4期

1710 软件学报 2024 年第 35 卷第 4 期

较好的目标域分类精度. 具体而言, 我们对所有目标样本在分类器上的预测求均值, 以得到对应源域的类级
别权重, 对于第 k 个源域的类级别的权重计算如下:
1
i
γ = ∑ t n y (18)
k
n t i= 1 k t
结合域级别权重和类级别权重的特性, 在多源部分域适应场景下, 我们对公式(7)进行优化, 以区分不同
源域对目标任务的贡献以及过滤源域无关类样本. 第 k 个源域上的域不变特征分类损失计算如下:
1
( (x
(
min L ( ,θθ ,θ ) = ∑ w γ c LG (G f i )) ,) y i ) (19)
ce
f
k k
f θθ , y k k y k c k y n k s x ∈ X s k k y k c k s k s
θ
i
, c k
s k
c
其中, γ 表示第 k 个源域上类别 c 的自适应权重.
k
2.5 总体目标函数
针对多源部分域适应问题, 综合考虑以上多样性特征提取、多层次分布对齐和自适应权重学习等建模成
分, 我们构建 AW-MSPDA 的总体优化目标函数如下:
K K
min L total = L θθ c p ∑ ) + L θ f ,θ ) β ∑ + L θθ ,θ d ) (20)
( ,
(,θ
( , ,θ
f
m
f
θ f , c θθ θ ,θ k = 1 k y k c k y k = 1 k d k p
, p
, yd
其中, β为损失项平衡因子.
为更直观地描述所提 AW-MSPDA 的完整优化过程, 其完整计算流程见算法 1.
算法 1. AW-MSPDA 算法.
输入: 标记源域样本  = {(X ,Y )} , 无标记的目标域 t ={X t }, 最大迭代次数 T, 预训练模型f(⋅,θ f );
k s k s k s
输出: 目标域预测标签 Y t .
1: 对域不变特征提取器 G (,θ ⋅ ) K 、域私有特征提取器 G (,θ⋅ ) K 进行初始化, 对决策分类器 {G } K
k c k c k = 1 k p k p k = 1 k y k = 1
和域分类器 G d 初始化;
2: repeat
3: 根据公式(4)提取源域和目标域在共享特征空间的表征;
4: 根据公式(5)提取源域和目标域的域不变特征;
5: 根据公式(6)提取源域和目标域的域私有特征;
6: 通过公式(8)使得域私有特征更具判别性, 从而训练域分类器;
7: 根据公式(12)实现域级别对齐, 并计算更新损失 L domain ;
8: 根据公式(13)实现类级别对齐, 并计算更新损失 L class ;
9: 结合公式(12)和公式(13)构建并根据公式(14)计算更新多层次分布对齐损失 L m ;
10: 结合公式(16)并利用公式(15)构建并计算域级别的自适应权重 w k ;
11: 根据公式(18)构建并计算类级别的自适应权重γ k ;
12: 通过公式(19)来保持域不变特征的判别性, 并训练对应的决策分类器;
13: 根据公式(20)计算并更新总体目标损失 L total ;
14: 根据公式(17)对目标域伪标签进行更新;
15: 更新相应模型参数;
16: until 最大迭代次数 T 及 L total 收敛

3 实验与结果分析

我们在基准数据集上对多源部分域适应场景下的分类任务进行评估实验, 以此来全面评估所提 AW-
MSPDA 算法的性能. 首先, 我们针对实验中的数据集进行相关介绍; 然后, 针对实验过程中的实验设置进行
说明; 其次, 结合所提方法的特殊性, 我们分别对传统多源域适应问题以及多源部分域适应问题进行相关实