Towards Enhancing Prototypes Driven by Graph Convolutional Networkfor Domain Adaptation

Ba Hung Ngo

doi:10.1016/j.eswa.2025.130010

Towards Enhancing Prototypes Driven by Graph Convolutional Networkfor Domain Adaptation

2025-10-17

0

PRE

AI

DOI：10.1016/j.eswa.2025.130010

原文链接

原文求助

摘要

En 中文

• 在这项工作中，我们首先展示了连接领域自适应（DA）理论与所提方法的分析。基于此分析，我们通过将其划分为共识空间、邻域空间和脆弱空间，为DA的映射空间提供了一个新视角。 • 随后我们发现，当扩大共识空间和邻域空间的同时减少脆弱空间时，目标域上的分类准确率显著提高。为实现此目标，我们提出了一种基于原型的新型方法，称为增强原型网络（EnPro）。 • 接着，据我们所知，所提方法是目前第一种基于原型且由图卷积网络（GCN）范式驱动的方法。在该框架中，多层数值感知器（MLP）分类器估计的类别原型通过图卷积网络（GCN）分类器生成的伪标签进行增强。 • 最后，我们在多个UDA和SSDA基准数据集上实现了所提方法，例如ImageCLEF-DA、Office-31、Office-Home、VisDA-C和DomainNet。与以往的最优方法相比，所提方法在目标数据上的性能提升显著。

Towards Enhancing Prototypes Driven by Graph Convolutional Networkfor Domain Adaptation

摘要

期刊

机构

引用论文