Page 135 - 《软件学报》2024年第4期

田青 等: 基于自适应权重的多源部分域适应 1713

表 3 多源域适应场景下, AW-MSPDA 在 Office-Home 上的实验结果(%)
数据集设置 实验方法 →A →C →P →R 平均结果
Single-Best DAN 68.2 56.5 80.3 75.9 70.2
DANN 67.9 55.9 80.4 75.8 70.0
DAN 68.5 59.4 79.0 82.5 72.4
Source-Combine DANN 68.4 59.1 79.5 82.7 72.4
CORAL 68.1 58.6 79.5 82.7 72.2
MFSAN 72.1 62.0 80.3 81.8 74.1
3
Multi-Source M SDA 64.1 62.8 76.2 78.6 70.4
AW-MSPDA (Ours) 71.8 63.4 79.7 82.5 74.3

3.3.2 多源部分域适应实验
相较于多源域适应问题, 多源部分域适应具有更高的域适应难度. 具体而言, 在该场景中, 目标域标记空
间是所有源域标记空间并集的一个子集, 若忽略源域中的无关类样本在域适应过程中所造成的负迁移, 会对
整体分类任务精度造成显著负面影响. 因此, 结合上述分析, 我们将所提 AW-MSPDA 方法应用于不同的数据
集中, 进行了如下多源部分域适应场景下的实验.
• 基于 Digit-Five 数据集: 在该数据集上进行的实验结果见表 4, 其中用加粗的形式标记最优结果.通过
对实验结果观察可知: 我们所提 AW-MSPDA 方法针对多源部分域适应问题的分类精度, 相较于现有
多源域适应方法和部分域适应方法有显著提高, 相较于仅有的多源部分域适应方法也有一定的提升,
在各任务中均取得了最优的结果. 通过仔细研究仅有的 MSPDA 方法 PFSA, 我们发现它并没有对源
域施加自适应的权重以区分不同源域的贡献, 从而导致性能低于我们的方法. 综合以上分析, 结合实
验结果可以证明: 所提 AW-MSPDA 能够有效地解决多源部分域适应问题, 且具备优越性和先进性;
• 基于 Office-31 数据集: 在该数据集上进行的实验结果见表 5, 其中用加粗的形式标记最优结果.通过
观察可知: 在该数据集实验中, 本文所提 AW-MSPDA 方法在所有任务中均取得最优结果, 且平均精
度相较于现有方法存在优越性. 综合上述分析, 所提方法的有效性和先进性得到验证.
表 4 多源部分域适应场景下, AW-MSPDA 在 Digit-Five 上的实验结果(%)
对比方法类型 实验方法 →mm →mt →up →sv →sy 平均结果
MDAN 55.4 79.8 73.1 35.4 43.1 57.4
3
MSDA M SDA 69.3 98.0 96.3 47.8 78.3 77.9
LtC-MSDA 60.0 97.6 97.7 43.5 83.7 76.5
PADA 63.9 90.4 93.1 40.5 62.8 70.1
PDA SAN 55.4 96.1 96.5 32.6 55.1 67.1
ETN 48.7 93.6 93.4 36.6 64.6 67.4
PFSA 69.5 98.2 99.0 68.7 86.9 84.5
MSPDA
AW-MSPDA (Ours) 72.4 98.4 99.2 70.6 89.3 86.0
表 5 多源部分域适应场景下, AW-MSPDA 在 Office-31 上的实验结果(%)
对比方法类型 实验方法 →D →W →A 平均结果
MDAN 74.2 71.9 28.6 58.2
3
MSDA M SDA 78.2 71.0 32.9 60.7
LtC-MSDA 83.3 76.2 31.0 63.5
PADA 75.6 73.8 38.0 62.5
PDA SAN 83.1 77.8 39.8 66.9
ETN 83.9 78.5 41.1 67.8
PFSA 84.2 79.0 40.2 67.8
MSPDA
AW-MSPDA (Ours) 84.9 81.8 48.6 71.8

3.4 参数敏感性分析
由公式(14)和公式(20)可知, 所提 AW-MSPDA 算法中包含 2 个超参数, 即多层次分布对齐部分类级别对
齐因子α和域分类损失超参数β. 为了探索其对模型性能的影响, 我们在 Office-31 数据集上对参数敏感性进行
了实验, 结果如图 3 所示. 通过观察可以发现: 模型的精度随着超参数的调整变化不大, 且当α和β同时取到
0.5 时, 模型可以取得最好的性能.