领域自适应

Parent: ai_keywords

核心定义

领域自适应（Domain Adaptation）是迁移学习的核心分支，旨在解决源域（Source Domain）与目标域（Target Domain）分布不一致（即数据偏移，如设备差异、人群差异）下的模型泛化问题。其核心假设：虽边缘分布不同，但存在共享的条件分布或特征空间。通过对齐域间分布差异，使在标注充分的源域上训练的模型能有效适应无标注或少量标注的目标域，大幅降低标注成本。

关键技术点

1. 差异度量对齐：基于最大均值差异（MMD）或对抗性判别器（如DANN架构）最小化源域与目标域在高维特征空间的距离，强制提取“域不变”特征。
2. 特征变换与子空间对齐：如CORAL方法通过线性变换对齐源域与目标域的二阶统计量（协方差）；更优者采用非线性映射（如核方法、流形学习）。
3. 伪标签与自训练：在目标域上利用初始模型生成伪标签，选取高置信度样本迭代训练，结合置信度过滤降低错误积累（即自学习变体）。
4. 生成式域对齐：基于CycleGAN或变分自编码器（VAE）将源域样本风格迁移至目标域风格，实现像素/信号级对齐（如脑电信号的跨受试者波形转换）。

医学/神经科学应用场景

跨中心脑卒中MRI病灶分割（结合首都医科大学附属宣武医院/天坛医院临床实际）： 不同医院MRI扫描仪（西门子 vs. GE）、场强（1.5T vs. 3T）及采集协议差异造成域偏移。以源域（某中心500例标注T1-FLAIR）训练U-Net，目标域（新中心无标注图像）采用DANN对抗域适应：梯度反转层迫使编码器提取对设备特征不变的深层语义（如梗死区域水肿征象），同时类别预测器专注病灶判别。实验表明，该方法在新中心病灶分割Dice系数从0.45提升至0.72，接近同中心模型性能。同样框架可推广至癫痫发作检测的跨患者EEG适应（如不同导电凝胶品牌引起的基线漂移）。首都医科大学神经病学团队联合医工交叉平台，已将该技术在急性卒中MRI辅助决策系统原型中部署，验证其减少标注依赖的临床价值。