课程图协同教学在多目标域适应中的应用

本文探讨了多目标域适应（Multi-Target Domain Adaptation, MTDA）问题，即在给定一个有标签的源数据集和多个无标签的目标数据集的情况下，这些目标数据集的数据分布各不相同，任务是学习一个对所有目标域都稳健的预测器。我们确定了两个关键方面，可以帮助缓解MTDA中的多个域偏移：特征聚合和课程学习。为此，我们提出了一种基于课程图协同教学（Curriculum Graph Co-Teaching, CGCT）的方法，该方法使用双分类器头结构，其中一个分类器头为图卷积网络（Graph Convolutional Network, GCN），用于跨域聚合相似样本的特征。为了防止分类器在其自身生成的噪声伪标签上过拟合，我们开发了一种由课程学习辅助的双分类器头协同教学策略，以获得更可靠的伪标签。此外，当域标签可用时，我们提出了基于域感知的课程学习（Domain-aware Curriculum Learning, DCL），这是一种顺序适应策略，首先在较容易的目标域上进行适应，然后逐步过渡到较难的目标域。我们在多个基准数据集上通过实验验证了所提出的框架的有效性，并在MTDA领域取得了显著的进步（例如，在DomainNet上的性能提升了5.6%）。