教科动态
当前位置: 本站首页 · 本科生教育 · 教科动态 · 正文
“信息工程学院学者论坛”开展第三十四期:迁移学习的思想与方法:让知识跨越场景
日期:2026-11-10  发布人:谷浩宇 摄影:伍恩慈  点击数:

11月9日下午,信息工程学院在明德区才德楼A203成功开展了第34期“信息工程学院学者论坛”学术讲座。本次讲座特邀佛山大学计算机与人工智能学院何绮翘博士,围绕“迁移学习的思想与方法:让知识跨越场景”这一主题展开深入分享。讲座由信息工程学院副院长廖文星主持,吸引了学院众多师生踊跃参与。

讲座中,何绮翘博士以可穿戴设备行为识别为实际案例导入,介绍时序分类任务中普遍存在的域偏移问题。更换用户、设备会改变传感器信号的数据分布,若逐个场景重新标注、训练模型,成本高、难以落地,而迁移学习正是解决该难题的重要手段。她讲解迁移学习的核心思想,强调要合理挖掘源域与目标域的相似性,同时警惕负迁移现象,梳理有监督迁移、无监督域适应、域泛化三类主流研究设定,区分三者训练阶段可获取的目标域数据差异。随后依次介绍三项时序迁移学习相关研究成果。第一项ARADA-TK面向无监督域适应场景,针对时序数据既要保留时间依赖、又要实现类别对齐的难点,构建融合时间注意力循环网络、域对抗训练、Top-k硬伪标签的框架,利用注意力捕捉全局时序特征,借助近邻源域样本投票生成伪标签完成条件对齐,在多个行为识别数据集上取得优于基线方法的实验效果。第二项FADA-SPL针对硬伪标签容易错分配、低级统计差异难以消除的问题,在输入层采用傅里叶增强做频域数据扩充,替换源样本高频振幅以对齐底层信号分布,在类别层面使用软伪标签输出类别概率分布,保留分类不确定性,结合域对抗训练完成特征适配,消融实验验证了傅里叶增强、软伪标签两个模块的有效性,在行为识别、机器故障、睡眠阶段分类等多类时序数据集上提升识别精度。第三项CLNA面向域泛化场景,训练阶段无法接触目标域样本,采用归一化增强策略,通过统计量混合、扰动扩充源域样本风格,搭建原始特征、增强特征双网络协作框架,依靠双向KL散度约束实现两个分支互相监督,在单源、多源域泛化实验中对比多种基线模型,验证方法的泛化性能。最后,她对三项工作进行归纳,指出目标域数据是否可获取,是选择域自适应或是域泛化方案的重要依据,同时剖析现有研究存在的伪标签可靠性、频域增强标签保真度、源域增强难以完全复刻真实域偏移等局限性,对后续研究方向进行展望。

讲座现场

讲座结束后,廖文星高度肯定了本次讲座的学术价值。他指出,何绮翘博士的分享条理清晰,从实际时序任务出发,完整讲解迁移学习中域自适应、域泛化两类技术路线,厘清三种方法的设计思路与实验验证逻辑,拓宽了大家对时间序列迁移学习的认识,为同学们开展时序方向科研实践带来启发。大家将进一步关注迁移学习领域现存难点,学习科研中模块消融对比的实验思路,夯实机器学习理论基础。



版权所有:韶关学院信息工程学院.

院长信箱:miaodecheng@sgu.edu.cn

书记信箱:3693394702@qq.com