CN114676755B 基于图卷积网络的无监督域自适应的分类方法 （南京邮电大学）

号FeiWu.Dual-alignedunsudomainadaptationw基于图卷积网络的无监督域自适应的分类本申请涉及一种基于图卷积网络的无监督据源域和目标域中样本数据间的相似性分别更域自适应网络是基于图卷积网络的无监督域自2获取源域中的样本数据和目标域中样本数据作为训练数据，所根据所述源域和所述目标域中样本数据间的相似性分别更新两个域中样本的图连接将所述源域和所述目标域中的样本数据输入到域自适应网络中进训练所述域自适应网络不断更新迭代所述域输入待分类数据至所述域自适应分类模型进行分类，获得所述待分类数据的分类结源域的样本数据和目标域的样本数据输入到跨域特征提取模型中得到源域和目标域源域的样本数据输入到源域特征提取模型中得到所述源域的计算所述源域的公共嵌入特征表示和所述特定嵌入特征表示的差异性构建特征差异将目标域的样本数据输入到源域特征提取模型中得到带源域风格的目标域嵌入特征表示，再通过注意力机制与所述目标域的公共嵌入特征表示结合为目标域的嵌入特征表将得到的所述源域和所述目标域的嵌入特征表示输入到分类模型将得到的所述源域和所述目标域的公共嵌入特征表示输入到域对抗将所述源域的样本数据和所述目标域的样本数据按照类别标签和伪类别标签中的类3所述源域特征提取模型是由两层的图卷积神经网络min(Ls+λLm-βLd+γLc)4设计了一个域鉴别器来区分每个样本来自哪个域，并提出了一个梯度反转层(GRL，源数据，图卷积网络通常能够通过在源网络中传播样本信息来构建一个性能良好的分类[0005]现有的基于图卷积网络的无监督域自适应的分类方法关注于两个域之间的公共督域自适应分类模型性能的基于图卷积网络的无监督域自[0009]根据所述源域和所述目标域中样本数据间的相似性分别更新两个域中样本的图5[0016]源域的样本数据和目标域的样本数据输入到跨域特征提取模型中得到源域和目[0018]计算所述源域的公共嵌入特征表示和所述特定嵌入特征表示的差异性构建特征[0019]将目标域的样本数据输入到源域特征提取模型中得到带源域风格的目标域嵌入标域的嵌入特征表示则生成其特征表示所对应的伪类[0021]将得到的所述源域和所述目标域的公共嵌入特征表示输[0022]将所述源域的样本数据和所述目标域的样本数据按照类别标签和伪类别标签中6的源域嵌入特征表示，表示伪类别标签为第k类样本的目标域嵌入特征表示，和[0037]在其中一个实施例中，所述不断更新迭代所述域自适应网络中的参数的表达式个域中样本的图连接关系；将源域和目标域中的样本数据输入到域自适应网络中进行训[0041]图1为一个实施例中基于图卷积网络的无监督域自适应的分类方法的流程示意7携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实[0051]式中，其中n为一个域内的样本个8个域中样本的图连接关系；将源域和目标域中的样本数据输入到域自适应网络中进行训过源域特征提取模型得到源域的特定嵌入特征表示和带源域风格的目标域的特定嵌入特入特征表示和目标域的嵌入特征表示，从而混淆源域和目标域以缩小两个域的分布差异。9[0061]在一个实施例中，跨域特征提取模型是由两层的图卷积神经网络(GCN)的共享网[0066]源域特征提取模型是由两层的图卷积神经网络(GCN)构成的，其源域样本输入到该模型中得到源域特定嵌入特征表示2;,目标域输入到该模型中得到带源域风格的目标域特定嵌入特征表示2。的源域嵌入特征表示，表示伪类别