胡士强教授团队在全局先验信息迁移学习研究中取得新进展

2025年03月12日 1203

      近日，williamhill威廉希尔官网信息与控制研究所胡士强教授团队在机器学习与人工智能领域国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI）上发表了一篇题为《Beyond Batch Learning: Global Awareness Enhanced Domain Adaptation》的研究论文。该研究揭示了“全局感知增强的领域适应”（GAN-DA）技术在跨域数据分布逼近任务中的显著优势，并成功突破了传统批量学习（Batch Learning）策略难以捕捉数据全局特征的瓶颈，为迁移学习相关研究及其在飞机健康状态预测应用提供了一种全新解决方案。

      近年来，深度学习在跨域迁移学习任务中取得了显著进展，但深度领域适应（DL-DA）技术仍受到批量学习机制的局限性影响。针对该问题，胡士强教授团队提出了GAN-DA技术，其核心思想是引入全局预定义特征表示（Global Predefined Feature Representation, PFR），通过构建跨域全局知识先验，使跨域数据在特征空间中的对齐更加稳健。

      该研究引入全局知识建模，显著增强了跨域数据对齐能力。GAN-DA在特征空间构建了一个全局感知的先验表示，并基于最大均值差异（MMD）度量，约束同类别的源域和目标域数据在共享的高维流形结构上进行对齐，从而有效减少领域偏移（Domain Shift）。此外，GAN-DA克服了传统领域适应方法的全局信息缺失问题。与基于对抗学习（Adversarial Learning）或统计匹配（Statistic Matching）的传统方法相比，GAN-DA能够有效应对深度领域适应中的局部采样偏差，避免批量学习带来的数据偏移问题。

      该研究提出了面向分类决策优化的全局知识增强机制。GAN-DA不仅关注特征层面的全局对齐，还结合了优化跨域决策边界（Decision Boundary Optimization）的策略，确保迁移学习过程中的分类性能稳健性。
      该研究成果已应用于民机智能健康监测与故障诊断系统。结合GAN-DA技术，实现了飞机的智能健康监测，突破了传统方法因数据分布差异导致的跨机型诊断瓶颈，实现了不同型号飞机健康状态信息的共享，显著提高了机队维护效率。

      本研究的通讯作者为胡士强教授，第一作者为罗灵鲲助理研究员。该研究团队研究方向涵盖深度学习优化、飞机状态健康状态监测、航空大数据分析等。近年来，该团队在民用航空智能化领域已取得了多项研究成果，相关论文已先后发表于IEEE TPAMI、《IEEE Transactions on Image Processing》、《IEEE Transactions on Cybernetics》等国际学术期刊。 

      《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI）是计算机科学、人工智能、机器学习等领域的国际顶级期刊，以严谨的审稿标准和深刻的理论贡献著称。2023年，该期刊的影响因子高达23.6，在CCF A类期刊中位列前茅，其谷歌学术指数（H-index）在计算机科学和工程技术领域均名列前茅，是全球公认的高影响力期刊。