在过去的几十年里，无监督域自适应得到了大量的关注和研究。在所有基于深度的方法中，基于自编码器的方法以其快速的收敛速度和无标签要求取得了良好的性能。现有的自编码器方法只是将不同自编码器生成的特征串联起来，这给判别表示学习带来了挑战，无法找到真正的跨域特征。

　　为了解决这些问题，朱毅领导的一个研究小组在《计算机科学前沿》上发表了他们的研究成果。

　　该团队提出了一种基于集成自编码器的无监督域自适应表示学习方法。引入稀疏自编码器，将域间和域内特征相结合，以减小域间的偏差，提高无监督域自适应性能。在三个基准数据集上进行的大量实验清楚地验证了与几种最先进的基线方法相比，所提出方法的有效性。

　　在研究中，研究人员提出了用两种不同的自编码器来获得域间和域内特征。提取更高级和更抽象的表示，以捕获源域和目标域中原始输入数据的不同特征。对域间表示学习中处理的特征引入了白化层。然后引入稀疏自编码器，将域间和域内特征结合起来，最小化域间的偏差，提高无监督域自适应性能。

　　首先，引入mAEMMD (marginal AutoEncoder with Maximum Mean difference)将原始输入数据映射到潜在特征空间中，同时生成源域和目标域之间的域间表示。

　　其次，利用卷积自编码器(Convolutional AutoEncoder, CAE)获取域内表示并保持特征的相对位置，保留输入数据在源域和目标域中的空间信息;

　　第三，在这两种不同的自编码器获得更高层次的特征后，使用稀疏自编码器将这些域间和域内表示组合起来，利用新的特征表示最小化不同域的偏差。

　　未来的工作应侧重于学习图数据的表示，其中关系用相邻矩阵表示，并基于基于卷积操作的自编码器网络探索异构图数据关系。

　　更多信息:Yi Zhu等，基于集成自编码器的无监督域自适应表示学习，《计算机科学前沿》(2023)。引文:基于集成自编码器的无监督域自适应方法(2023,11月14日)检索自https://techxplore.com/news/2023-11-approach-unsupervised-domain-based-autoencoder.html。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。