摘要
迁移学习旨在通过利用源域的知识，为目标域学习出鲁棒的分类器。由于源域与目标域通常来自不同的数据分布，现有方法主要聚焦于对跨域边缘分布或条件分布进行适应。然而，在实际应用中，边缘分布与条件分布对域差异的贡献往往不同。现有方法无法对这两种分布的重要性进行定量评估，从而导致迁移性能不理想。本文提出了一种新概念——动态分布适应（Dynamic Distribution Adaptation, DDA），该方法能够对两类分布的相对重要性进行定量衡量。DDA可便捷地融入结构风险最小化（Structural Risk Minimization）框架，用于解决迁移学习问题。基于DDA，我们进一步提出了两种新型学习算法：（1）流形动态分布适应（Manifold Dynamic Distribution Adaptation, MDDA），适用于传统迁移学习；（2）动态分布适应网络（Dynamic Distribution Adaptation Network, DDAN），适用于深度迁移学习。大量实验结果表明，MDDA与DDAN显著提升了迁移学习的性能，在手写数字识别、情感分析和图像分类任务上，均优于当前最先进的深度学习与对抗性迁移方法，建立了强有力的基准。更重要的是，实验验证了边缘分布与条件分布在域差异中的贡献确实存在差异，而我们的DDA能够有效实现对其相对重要性的量化评估，从而带来更优的迁移效果。我们认为，这一发现对今后迁移学习领域的研究具有重要参考价值。