近日，中國農(nóng)業(yè)大學理學院數(shù)學系鐘萍教授團隊與國家數(shù)字漁業(yè)創(chuàng)新中心合作在領域自適應研究工作中取得新進展，在國際著名頂級期刊《IEEE圖像處理匯刊》（IEEE Transactions on Image Processing）上發(fā)表論文《基于概率的圖嵌入跨域和類判別特征學習》（Probability-based Graph Embedding Cross-domain and Class Discriminative Feature Learning for Domain Adaptation），提出了一個基于概率的圖嵌入跨域和類判別特征學習框架（PGCD），在圖像處理領域給出了新方法。

圖像處理是智慧農(nóng)業(yè)的重要組成部分，是將理論與具體關鍵問題相結合的重要著力點。本研究立足于應用數(shù)學，在育種、養(yǎng)殖、病蟲害防治等諸多重大課題中有著十分廣闊的發(fā)展前景。領域自適應是中國農(nóng)業(yè)大學應用數(shù)學學科長期聚焦的機器學習領域中的重要方向，其特點是能夠實現(xiàn)不同來源的數(shù)據(jù)集之間的知識遷移，是數(shù)學學科與農(nóng)業(yè)中的諸多重點問題的緊密結合點與顯著提升點。

在實際研究中，研究人員經(jīng)常需要處理在不同時間或地點采集的同類型數(shù)據(jù)集。一般來說，這類相關而不同源的數(shù)據(jù)集不能直接在研究中使用，然而領域自適應可以挖掘它們之間共享的信息，并實現(xiàn)知識跨領域復用。領域自適應的關鍵在于解決領域間的數(shù)據(jù)概率分布不一致的問題，最大程度地減小領域間的數(shù)據(jù)分布差異。在無監(jiān)督領域自適應中，由于目標數(shù)據(jù)沒有標記信息，造成跨領域類別之間缺乏對應關系，因此該研究仍然處于富有挑戰(zhàn)的階段。

本論文提出了一種基于概率的圖嵌入跨域對齊和類判別特征學習框架PGCD。一方面，PGCD在目標域為每個樣本建立了與其對應的置信加權質心，構建了新的圖嵌入結構，提升了遷移特征學習的準確性。另一方面，PGCD采用具有概率信息的新權重策略生成魯棒性的質心，從源域到目標域、目標域到源域兩個方向，構建了新的圖嵌入結構，完成了對兩個域的局部和全局結構的對齊。論文同時為新構建的圖嵌入項給出了理論分析，進一步描述了域內(nèi)和跨域遷移特征學習場景中樣本間的關系。