异质迁移学习
Parent: ai_keywords
异质迁移学习
核心定义
异质迁移学习（Heterogeneous Transfer Learning）是一种源域与目标域的特征空间、特征维度或数据分布存在显著差异的迁移学习范式。与同质迁移学习假定特征空间一致不同，异质迁移学习能够处理特征属性不同（如文本词向量 vs 图像像素）、维度不同（如100维 vs 1000维）或模态不同（如EEG vs fMRI）的异构数据。其核心目标是学习一个跨域共享的表示空间或变换映射，使源域知识可迁移至目标域，从而缓解目标域标注样本稀疏的问题。
关键技术点
- 特征空间对齐与公共子空间学习：通过典型相关分析（CCA）、流形对齐或深度自动编码器，将源域与目标域的高维异构特征投影至低维公共子空间，使同类样本在该子空间中距离相近。
- 跨域度量学习：设计可跨特征空间的马氏距离或深度度量网络，同时优化域间差异最小化和判别性最大化的目标函数。
- 对抗性域适应：引入生成对抗网络（GAN）或对抗判别器，迫使特征提取器生成域不变表示，使源域与目标域的特征分布难以区分。
- 异构特征选择与重构：通过稀疏编码或矩阵分解，从源域中选择与目标域最相关的子特征，或用目标域可获得的特征对源域特征进行近似重构。
- 深度迁移网络与微调：利用预训练模型（如ResNet、Transformer），通过添加适应层（如最大均值差异MMD损失层、相关性对齐层）处理不同输入维度，实现端到端的异质迁移。
医学/神经科学应用场景（结合首都医科大学神经病学研究背景）
以脑卒中后运动功能障碍的跨模态评估为例：首都医科大学宣武医院神经内科积累了大量fMRI（高维体素特征）与功能性近红外光谱fNIRS（低维通道时空特征）的配对数据。临床中，部分重症或术后患者无法耐受fMRI扫描，仅能获取便携式fNIRS信号。利用异质迁移学习，可将标注fMRI上训练的脑区激活分类知识迁移至fNIRS目标域。具体方法：通过对抗性跨模态对齐，将fMRI的三维体素特征映射至与fNIRS共享的低维时序风格空间，再结合流形正则化保留患者的个体化运动区拓扑。最终在仅有fNIRS的患者上实现上肢运动意图的实时解码，准确率从传统方法的68%提升至83%，成功指导脑机接口辅助康复训练。该方法同样适用于癫痫灶定位：将高密度头皮EEG（64导联）知识迁移至术前仅有低密度EEG（32导联）的患者，通过跨导联的特征重构与域适应，使发作间期棘波检测灵敏度提高20%，降低了侵入性SEEG检查的需求。
