Page 383 - 《软件学报》2026年第3期

1346 软件学报 2026 年第 37 卷第 3 期

层的 Softmax 函数输出数据的域概率分布. C 的目标是增强 G 的域适应能力, 减少源域和目标域的数据分布差异.
在训练过程中, 我们先更新 C 的参数以区分真实和生成数据的域标签, 然后更新 G 的参数以欺骗 C, 使生成数据
的域标签与目标域一致. 这两步反复进行, 直到 C 和 G 达到动态平衡, 即 C 无法区分真实和生成数据的域标签,
且 G 的输出与目标域的数据分布相似.

2.3 增强对抗范式
增强对抗范式 (EAP) 是本文提出的一种改进的对抗训练策略, 用于提高域校正模块的对抗性能和适应性.
EAP 包含一个生成器 G, 一个判别器 D, 一个域分类器 C 和一个操作顺序预测器 P, 其中 G 和 D 构成对抗生成网
络, C 和 P 分别用于增强域分类能力和操作顺序互学习能力. EAP 的损失函数包含 3 部分: 对抗损失、域分类损
失和操作顺序预测损失, 其数学表达式为:

L EAP = minmax G L GAN (D,G)+λL DA (C,G)+µL OSML (P,G,D) (8)
其中, λ 和 µ 是两个超参数, 用于控制不同损失函数的权重, L GAN (D,G) 是对抗生成网络的损失函数, 与标准的 GAN
相同, 用于训练生成器和判别器的对抗能力:

[ ] [ ]
log(1− D(G(z))) (9)
L GAN (D,G) = E x∼p x logD(x) +E z∼p z
域分类损失 L DA (C,G) 是一个交叉熵损失函数, 表示域分类器 C 尝试将生成器 G 的输出正确地分类为目标域,
而生成器 G 尝试使其输出被误分类为源域. 其计算公式为:

[ ] [ ]
log(1−C (x)) (10)
L DA (C,G) = −E x∼p g logC (x) −E x∼p d
其中, p g 是 G 的输出分布, p d 是目标域的数据分布, C (x) 是域分类器 C 对输入 x 的分类概率, 取值为 0 或 1, 表示
x 属于源域或目标域.
操作顺序预测损失 L OSML (P,G,D) 是一个均方误差损失函数, 表示操作顺序预测器 P 尝试根据 G 和 D 的输出,
预测下一个操作顺序是更新 G 还是更新 D, 而 G 和 D 尝试使其输出难以被预测. 其计算公式为:

[ ]
(P(G(x),D(y))− s) 2 (11)
L OSML (P,G,D) = E x∼p g ,y∼p d
其中, s 是一个随机变量, 取值为 0 或 1, 表示下一个操作顺序是更新生成器还是更新判别器, P(G(x),D(y)) 是操作
顺序预测器 P 对输入 G(x) 和 D(y) 的预测概率, 取值为 0 或 1, 表示预测的操作顺序是更新生成器还是更新判别器.
假设 G 的输出为 G(x) = [0.2,0.4,0.6], D 的输出为 D(y) = [0.8,0.7,0.5], C 的输出为 C (G(x)) = 0.3, P 的输出为
P(G(x),D(y)) = 0.4, 下一个操作顺序的真实值为 s = 1, 则域分类损失和操作顺序预测损失分别为:

L DA (C,G) = −log0.3−log0.7 ≈ 1.203 (12)

2
L OSML (P,G,D) = (0.4−1) = 0.36 (13)
其中, 1.203 是域分类损失, 这个值越小, 说明域分类器 C 的域分类能力越强, G 的域适应能力越强. 0.36 是操作顺
P 的预测能力越强.
序预测损失的值, 这个损失值越小, 说明操作顺序预测器
增强对抗范式部分是本文方法与传统 GAN 的不同之处, 即引入了新的训练机制, 目的不是生成新数据, 而是
通过增强判别器的判别、对抗和适应能力, 从而提高域自适应中的分类性能.
3 实验结果及分析

在端到端的训练过程中, 源域和目标域的时序数据首先被输入到时序建模网络以获取特征表示. 这些特征随
后被输入到域校正模块, 其中生成器试图生成与目标域数据分布相似的特征. 这些生成的特征和目标域的真实特
征都被输入到判别器和域分类器. 判别器的目标是区分真实特征和生成特征, 而生成器的目标是生成能欺骗判别
器的特征. 域分类器用于引导生成器生成更接近目标域分布的特征. 此外, 生成器和判别器之间采用了互学习机
制, 以提高对抗训练的稳定性和效率.
3.1 实验设置
表 1 展示了我们在实验中使用的 Transformer 模型的具体参数设置. 参数的选择基于: (1) 数据集的规模和复