12、低秩迁移学习：理论、实验与应用分析

低秩迁移学习：理论、实验与应用分析

1. 3DA 实验设置与方法对比

在 3DA 实验中，单源和多源域适应有着特定的配置。当源数据来自 Amazon 时，随机选择 20 张图像；若源域为 DSLR 或 Webcam，则随机选择 8 张图像。对于目标域，从 Amazon、DSLR 或 Webcam 中随机选择 3 张图像。为了减少随机性的影响，该过程会重复 20 次，每次选择不同的源/目标数据。

使用带有 RBF 核的 SVM 作为分类器，所有参数（如惩罚项 C 和 RBF 核的带宽 σ）通过网格搜索策略进行优化。表 6 和表 7 报告了 31 个类别上的平均分类准确率，部分结果引用自相关研究。

以下是几种对比方法的简要说明：
- Naive combination (NC) ：直接将源数据和目标数据组合，不进行任何适应处理。
- Domain adaptive metric learning (DAML) ：通过学习正则化的不变特征空间，保持不同域数据的判别特性。
- Information - theoretic metric learning (ITML) ：一种正则化的马氏距离度量学习方法，用于大型数据库的高效索引。
- Adaptive SVM (A - SVM) ：通过适应过程学习的扰动项 △f 稍微移动源的判别函数 f s。

方法	说明