Краткое содержание

arXiv:2507.03291v2 Тип объявления: replace Аннотация: Методы адаптации доменов (AD), основанные на глубоком обучении, продемонстрировали высокую производительность за счёт обучения переносимым представлениям. Однако их зависимость от обучения мини-батчами ограничивает моделирование глобального распределения, что приводит к нестабильному выравниванию и неоптимальной обобщающей способности. Мы предлагаем Глобальную Вариационную Адаптацию Домена с Усилением (GVI-DA) — фреймворк, который изучает непрерывные, класс-условные глобальные априорные распределения с помощью вариационного вывода, чтобы обеспечить структурно-согласованное выравнивание между доменами. GVI-DA минимизирует разрыв между доменами посредством реконструкции латентных признаков и смягчает коллапс апостериорного распределения, используя глобальное обучение кодбуку со случайной выборкой. Кроме того, метод повышает устойчивость, отбрасывая низкодостоверные псевдометки и генерируя надежные примеры из целевого домена. Многочисленные эксперименты на четырех бенчмарках и тридцати восьми задачах AD демонстрируют стабильно передовую производительность. Мы также выводим нижнюю оценку доказательства (ELBO) для модели и