最大化域不变表征中的信息以改善迁移学习

基于摘要分析。本文主要研究图像域适应中的表征分解问题：将数据表征拆为域不变表征（DIRep）与域相关表征（DDRep）时，目标域分类所需的信息可能留在 DDRep 中，导致仅使用 DIRep 的分类器迁移受限。作者提出对 DDRep 施加更强的信息约束，以减少其中的信息量，并促使 DIRep 保留与目标标签相关的信息。 机制上，论文以 Domain-Separation Networks（DSN）为主要参照。作者认为，DSN 用于分离两类表征的正交约束较弱，不能充分阻止判别信息“隐藏”在 DDRep 中。新方法通过更强约束缓解这一问题，但摘要未给出信息量的定义、估计方法、具体损失形式，以及目标域标签是否及如何参与训练，均需全文核对。 作者报告，在合成数据实验中，DSN 的解会受初始化影响，并可能产生域适应性能较差的次优解，而所提方法对这类初始化扰动更稳健。作者还报告，在若干标准图像基准上，该方法与 DSN 及其他近期域适应方法相比表现相当或更好，并展示了与预训练图像模型的兼容性及网络入侵检测应用。摘要未提供基准名称、数据划分、指标或数值；实验协议、消融及统计信息尚未验证，不能据此判断收益幅度或普适性。 平台推测（待验证）：其可迁移假设是，跨被试或跨会话 EEG 中，任务判别信息也可能与域相关因素共同进入 DDRep；可复用的是表征分解与信息约束思路，需改造的是 EEG 编码器及域因素建模。该假设依赖任务标签在域间具有可迁移性，但低信噪比、通道差异、小样本及个体特异生理信息可能使压缩 DDRep 反而丢失有效信号。一个可检验的小实验是在固定 EEG 编码器和跨被试划分下，对比 DSN 与该约束方法，在多个随机初始化下检查同一分类指标的均值及波动。已有 EEG 相关工作尚未检索确认。