电子工程学院研究成果被国际权威期刊TPAMI录用

近日，电子工程学院邓成教授及其博士生杨旭共同完成的最新研究成果“Heterogeneous Graph Attention Network for Unsupervised Multiple-Target Domain Adaptation”被人工智能领域顶级学术刊物IEEE Transactions on Pattern Analysis and Machine Intelligence（简称IEEE TPAMI）录用。IEEE TPAMI是目前计算机类别中影响因子最高（影响因子17.861）的期刊之一，主要收录人工智能、模式识别、计算机视觉及机器学习领域的原创性科研成果。

虽然以深度学习为代表的人工智能方法在诸多领域取得了令人瞩目的性能，但是当训练数据与测试数据存在分布差异时，深度学习模型泛化性能严重下降，设计适用于不同测试场景的域自适应算法成为近年来的研究热点。在实际应用中，与任务相关的测试数据可能来自多个具有不同统计属性的目标域，且这些目标域存在潜在的共享知识。因此，如何有效实现多目标域的知识迁移是提升深度学习模型泛化性能的关键所在。

该工作着重解决深度网络在标签受限条件下的多目标域自适应问题，利用多域样本构造异构图以刻画样本之间的关联关系，并通过异构图注意力网络获得所有域的共同子空间。一方面，图神经网络的转导能力可以实现“源域到目标域”以及“目标域到目标域”之间的语义传播。另一方面，图神经网络的注意力机制能够在语义传播过程中进一步优化多域样本间的关联关系，提升转导效率。与单目标域自适应方法相比，该方法无需收集大量训练数据，且能有效利用目标域间的语义信息，显著提升了深度网络从单一源域到多个目标域的“跨域”识别能力。

图1多目标域自适应算法框图

表1基准数据上目标域的分类精度（本方法能够联合优化所有目标域以取得更优结果）

图2多目标域自适应可视化结果（本方法可以同时优化多个无标签目标域的特征分布，提升了整体的跨域识别性能）