中国农业大学钟萍教授团队在领域自适应研究工作中取得重大进展

近日，中国农业大学理学院数学系钟萍教授团队与国家数字渔业创新中心合作在领域自适应研究工作中取得新进展，在国际著名顶级期刊《IEEE图像处理汇刊》（IEEE Transactions on Image Processing）上发表论文《基于概率的图嵌入跨域和类判别特征学习》（Probability-based Graph Embedding Cross-domain and Class Discriminative Feature Learning for Domain Adaptation），提出了一个基于概率的图嵌入跨域和类判别特征学习框架（PGCD），在图像处理领域给出了新方法。

图像处理是智慧农业的重要组成部分，是将理论与具体关键问题相结合的重要着力点。本研究立足于应用数学，在育种、养殖、病虫害防治等诸多重大课题中有着十分广阔的发展前景。领域自适应是中国农业大学应用数学学科长期聚焦的机器学习领域中的重要方向，其特点是能够实现不同来源的数据集之间的知识迁移，是数学学科与农业中的诸多重点问题的紧密结合点与显著提升点。

在实际研究中，研究人员经常需要处理在不同时间或地点采集的同类型数据集。一般来说，这类相关而不同源的数据集不能直接在研究中使用，然而领域自适应可以挖掘它们之间共享的信息，并实现知识跨领域复用。领域自适应的关键在于解决领域间的数据概率分布不一致的问题，最大程度地减小领域间的数据分布差异。在无监督领域自适应中，由于目标数据没有标记信息，造成跨领域类别之间缺乏对应关系，因此该研究仍然处于富有挑战的阶段。

本论文提出了一种基于概率的图嵌入跨域对齐和类判别特征学习框架PGCD。一方面，PGCD在目标域为每个样本建立了与其对应的置信加权质心，构建了新的图嵌入结构，提升了迁移特征学习的准确性。另一方面，PGCD采用具有概率信息的新权重策略生成鲁棒性的质心，从源域到目标域、目标域到源域两个方向，构建了新的图嵌入结构，完成了对两个域的局部和全局结构的对齐。论文同时为新构建的图嵌入项给出了理论分析，进一步描述了域内和跨域迁移特征学习场景中样本间的关系。