電子工程學院研究成果被國際權威期刊TPAMI錄用

近日，電子工程學院鄧成教授及其博士生楊旭共同完成的最新研究成果“Heterogeneous Graph Attention Network for Unsupervised Multiple-Target Domain Adaptation”被人工智能領域頂級學術刊物IEEE Transactions on Pattern Analysis and Machine Intelligence（簡稱IEEE TPAMI）錄用。IEEE TPAMI是目前計算機類別中影響因子最高（影響因子17.861）的期刊之一，主要收錄人工智能、模式識別、計算機視覺及機器學習領域的原創性科研成果。

雖然以深度學習為代表的人工智能方法在諸多領域取得了令人矚目的性能，但是當訓練數據與測試數據存在分布差異時，深度學習模型泛化性能嚴重下降，設計適用于不同測試場景的域自適應算法成為近年來的研究熱點。在實際應用中，與任務相關的測試數據可能來自多個具有不同統計屬性的目標域，且這些目標域存在潛在的共享知識。因此，如何有效實現多目標域的知識遷移是提升深度學習模型泛化性能的關鍵所在。

該工作著重解決深度網絡在標簽受限條件下的多目標域自適應問題，利用多域樣本構造異構圖以刻畫樣本之間的關聯關系，并通過異構圖注意力網絡獲得所有域的共同子空間。一方面，圖神經網絡的轉導能力可以實現“源域到目標域”以及“目標域到目標域”之間的語義傳播。另一方面，圖神經網絡的注意力機制能夠在語義傳播過程中進一步優化多域樣本間的關聯關系，提升轉導效率。與單目標域自適應方法相比，該方法無需收集大量訓練數據，且能有效利用目標域間的語義信息，顯著提升了深度網絡從單一源域到多個目標域的“跨域”識別能力。

 

圖1  多目標域自適應算法框圖

 

表1  基準數據上目標域的分類精度（本方法能夠聯合優化所有目標域以取得更優結果）

 

圖2  多目標域自適應可視化結果（本方法可以同時優化多個無標簽目標域的特征分布，提升了整體的跨域識別性能）