文章大纲
引言
- 域偏差的定义及其在机器学习中的重要性
- 实际应用中域偏差带来的挑战
- 文章目标：介绍降低域偏差的主要技术方法
域偏差的来源与分类
- 数据分布差异（如不同设备、光照条件）
- 标签分布差异（如类别不平衡）
- 时间漂移（如数据随时间变化）
- 空间漂移（如地理差异）
降低域偏差的核心方法
数据增强与合成
- 基于传统图像变换的数据增强（翻转、裁剪等）
- 基于生成对抗网络（GAN）的域适应数据生成
- 风格迁移技术的应用
特征对齐技术
- 最大均值差异（MMD）最小化
公式：
\text{MMD}(P, Q) = \left| \mathbb{E}{x \sim P}[\phi(x)] - \mathbb{E}{y \sim Q}[\phi(y)] \right|_{\mathcal{H}} - 对抗性域适应（DANN等框架）
- 深度相关对齐（CORAL）方法
领域自适应网络架构
- 共享特征提取器设计
- 领域特定批归一化（DSBN）
- 梯度反转层（GRL）实现细节
自训练与半监督学习
- 伪标签生成策略
- 一致性正则化（如Mean Teacher）
- 基于置信度的样本选择
评估指标与基准数据集
- 常用评估指标：分类准确率、AUC、H-score
- 主流数据集：Office-Home、VisDA、DomainNet
- 跨域性能对比实验设计
典型应用场景
- 医学影像分析的跨设备迁移
- 自动驾驶中的天气域适应
- 电商评论的情感分析跨领域迁移
未来研究方向
总结
