融合渐进风格增强和混合对比学习的跨域少样本算法

融合渐进风格增强和混合对比学习的跨域少样本算法

帅秋萍^1，2，4，彭乙翠^1，2，4，何双双^1，2，4，石战战^1，2，4，王斯梁³，黄 果^1，2，4

[1.乐山师范学院 电子信息与人工智能学院，四川 乐山 614000；

2. 互联网自然语言智能处理四川省高等学校重点实验室（乐山师范学院），四川 乐山 614000；

3. 成都工业职业技术学院 轨道交通学院，四川 成都 610000；

4. 智能交互与决策乐山市重点实验室（乐山师范学院），四川 乐山 614000]

摘 要：针对跨域少样本学习中源域与目标域风格差异导致的泛化能力下降问题，文章提出一种融合渐进风格增强与混合对比学习的跨域少样本算法(PMA-MCL).该算法采用两阶段学习：首选，通过渐进式风格增强(PSA)在特征图浅层至深层逐级扰动风格，生成多样化未知域风格；其次，借助混合对比学习(MCL)，结合监督与自监督方式实现多视角表征学习.两阶段协同优化，提升了模型的风格鲁棒性，同时保持了持语义一致性.在四类不同场景目标数据集上的验证结果表明，所提算法在5-way 1-shot与5-way 5-shot 设定下均具有更优的泛化能力，平均分类准确率较最新的元学习模型LDP，提升率分别为4.06%和2.54%，有效缓解了风格多样性不足与内容不一致的问题，可为复杂分布差异下的跨域少样本识别提供有效解决方案.

关键词：少样本学习；跨域少样本学习；对比学习；风格迁移；对抗样本