Page 134 - 《软件学报》2024年第4期

1712 软件学报 2024 年第 35 卷第 4 期

如下多源域适应实验.
• 基于 Digit-Five数据集: 结合上述分析, 在该数据集上进行的实验结果见表 1, 其中用加粗的形式标记
最优结果. 其中, “mm”表示 MNIST-M 数据集, “mt”表示 MNIST 数据集, “up”表示 USPS 数据集, “sv”
表示 SVHN 数据集以及“sy”表示 Synthetic Digits 数据集. 在数据集的设置方面, Single-Best 表示在所
有源域中单源域适应的最佳性能, Source-Combine 是指将所有源域组合为一个源域并实现单源域适
应. 从结果中可以观察到: 所提 AW-MSPDA 算法相较于现有最新的多源域适应方法在部分任务上能
够有较为优越的性能, 尤其是在“→sv” 任务上有较大地提升. 此外, 即使在部分数据集上并不能取
得更高的精度, 但所得精度与对比方法相差不大, 且在平均精度上, 我们所提 AW-MSPDA 方法取得
了最优结果;
• 基于 Office-31 数据集: 我们针对该数据集进行了多源域适应场景问题的相关实验, 其实验结果见表
2, 最优结果用加粗的形式体现. 其中, D 表示 DSLR 数据集, W 表示 Webcam 数据集以及 A 表示
Amazon 数据集. 通过对结果的观察可知: 与上述实验结果类似, 在部分任务中, 本文所提 AW-
MSPDA 算法取得了最优结果, 尤其是在“→A”任务中精度提升幅度较高, 在没有取得更高精度的任
务中也取得了次优结果, 且在平均精度上取得了最高的精度;
• 基于 Office-Home 数据集: 我们针对该数据集进行了多源域适应场景问题的相关实验, 其实验结果见
表 3, 最优结果用加粗的形式体现. 其中, “→A”表示 Art 数据集作为目标域, “→C”表示 Clipart 数据集
作为目标域, “→P”表示 Product 数据集作为目标域, “→R”表示 Real World 数据集作为目标域.通过观
察可知: 所提 AW-MSPDA 方法在更具挑战性的 Office-Home 数据集实验中, 相较于现有多源域适应
方法也取得了较高的精度, 证明了所提方法的有效性和优越性.
表 1 多源域适应场景下, AW-MSPDA 在 Digit-Five 上的实验结果(%)
数据集设置 实验方法 →mm →mt →up →sv →sy 平均结果
DAN 63.8 96.3 94.2 62.5 85.4 80.4
Single-Best DANN 71.3 97.6 92.3 63.5 85.4 82.0
ADDA 71.6 97.9 92.8 75.5 86.5 84.8
DAN 67.9 97.5 93.5 67.8 86.9 82.7
Source-Combine DANN 70.8 97.9 93.5 68.5 87.4 83.6
ADDA 72.3 97.9 93.1 75.0 86.7 85.0
MCD 72.5 96.2 95.3 78.9 87.5 86.1
MDAN 69.5 98.0 92.4 69.2 87.4 83.3
DCTN 70.5 96.2 92.8 77.6 86.8 84.8
3
M SDA 72.8 98.4 96.1 81.3 89.6 87.7
Multi-Source MDDA 78.6 98.8 93.9 79.3 89.7 88.1
LtC-MSDA 85.6 99.0 98.3 83.2 93.0 91.8
CASR 90.2 99.7 98.3 86.4 96.3 94.1
AW-MSPDA (Ours) 90.7 99.3 98.1 88.2 94.8 94.2
表 2 多源域适应场景下, AW-MSPDA 在 Office-31 上的实验结果(%)
数据集设置 实验方法 →D →W →A 平均结果
Single-Best DAN 99.0 96.0 54.0 83.0
ADDA 99.4 95.3 54.6 83.1
DAN 98.8 96.2 54.9 83.3
Source-Combine ADDA 99.2 96.0 55.9 83.7
MCD 99.5 96.2 54.4 83.4
MDAN 99.2 95.4 55.2 83.3
DCTN 99.6 96.9 54.9 83.8
3
M SDA 99.4 96.2 55.4 83.7
Multi-Source MDDA 99.6 97.1 56.2 84.2
LtC-MSDA 99.6 97.2 56.9 84.6
CASR 99.8 99.8 76.2 91.9
AW-MSPDA (Ours) 99.7 98.9 78.3 92.3