近日，中国农业大学理学院数学系的钟萍教授团队与国家数字渔业创新中心展开合作，在领域自适应研究工作方面取得了新的进展。他们在国际著名的顶级期刊《IEEE 图像处理汇刊》（IEEE on ）上发表了一篇论文，题目为《基于概率的图嵌入跨域和类判别特征学习》（- - and for ）。在此过程中，他们提出了一个基于概率的图嵌入跨域和类判别特征学习框架（PGCD），并且在图像处理领域给出了新的方法。

图像处理是智慧农业的重要部分，也是将理论与具体关键问题相结合的重要着力点。本研究以应用数学为基础，在育种、养殖以及病虫害防治等众多重大课题方面有着非常广阔的发展前景。领域自适应是中国农业大学应用数学学科长期关注的机器学习领域的重要方向。它的特点在于能够促使不同来源的数据集进行知识迁移。同时，它也是数学学科与农业中诸多重点问题紧密结合以及显著提升的关键所在。

在实际研究里，研究人员时常得处理在不同时间或地点所采集的同类型数据集。通常情况下，这类相关但不同源的数据集无法直接在研究中被运用。然而，领域自适应能够挖掘它们之间所共享的信息，并且实现知识在不同领域的复用。领域自适应的关键之处在于解决领域间数据概率分布不一致的问题，以最大程度地降低领域间的数据分布差异。在无监督领域自适应里，目标数据没有标记信息，这就导致跨领域类别之间缺少对应关系，所以该研究依然处在富有挑战的阶段。

图1:模型示意图

本论文提出了一种框架 PGCD，此框架基于概率进行图嵌入跨域对齐以及类判别特征学习。一方面，PGCD 在目标域为每一个样本都构建了与其相对应的置信加权质心，并且通过这种方式构建了新的图嵌入结构，进而提升了迁移特征学习的准确性。一方面，PGCD利用具有概率信息的新权重策略来生成具有鲁棒性的质心。接着，从源域到目标域以及从目标域到源域这两个方向，构建了新的图嵌入结构。并且，完成了对两个域的局部和全局结构的对齐工作。与此同时，论文为新构建的图嵌入项进行了理论分析，进一步阐述了在域内和跨域迁移特征学习场景中样本之间的关系。

中国农业大学是本文的第一完成单位。理学院的钟萍教授以及信息与电气工程学院的陈英义教授担任本文的通讯作者。中国农业大学国家数字渔业创新中心团队的博士生王文旭是本文的第一作者，其指导教师为钟萍教授。本文的作者还包含团队的李道亮教授和申振才副教授。本研究获得了渔业大数据研究“双一流”项目的资助，其编号为（No. ）。

中国农业大学理学院数学系将把理论与实践水平推向更高层次。

论文链接：

供稿：理学院

供图：理学院