基于传递式领域自适应的异构样本增强方法

小样本问题广泛存在于数据驱动建模。领域自适应方法通过将源域中的样本知识迁移到目标域，从而实现目标域中的小样本增强，然而此类方法在实际应用中受限，原因在于难以应对领域分布差异较大的样本增强场景。针对上述问题，该文提出基于传递式领域自适应的异构样本增强方法。首先，提出传递式探索策略，通过私有特征和共享特征设计了面向异构域的领域分布探索策略，有效地缓解了负迁移，并为后续分布匹配提供支撑；然后，提出分布联合匹配机制，通过联合匹配异构领域的边缘分布和条件分布，并嵌入自适应机制，从而保证了异构域分布的匹配精度。该方法在业界公认的田纳西-伊斯曼数据集进行验证，实验结果表明该方法在异构域中的建模表现优于其他方法。