综述：在领域转换情况下用于领域适应的对比学习：一项关键性调查与分类

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Contrastive Learning for Domain Adaptation Under Domain Shift: A Critical Survey and Taxonomy

本文综述了对比学习在领域适应中的应用，涵盖基础原理、方法进展和应用场景，重点讨论了医学影像、自动驾驶等领域的挑战与解决方案。

　　

摘要

领域适应旨在解决由于训练环境和部署环境之间的分布差异导致的机器学习模型性能下降问题。这一挑战在医学成像、遥感和目标检测等应用中尤为突出，因为这些应用中标记的目标领域数据往往稀缺或无法获取。在这种情况下，对比学习作为一种强大的自监督方法应运而生，它通过利用实例区分和基于相似性的目标来学习鲁棒、可迁移且领域不变的特征表示，而无需依赖人工注释。本文全面系统地综述了用于领域适应的对比学习方法，系统分析了相关文献中的基础原理、方法论进展和应用驱动的视角。我们探讨了对比学习的核心组成部分，包括正负样本对构建、网络架构和对比损失函数，并将现有方法分为实例级、跨领域、多源、对抗性和混合框架。特别强调了用于领域适应的目标检测的对比学习方法，尤其是在处理小型、密集和遮挡物体等具有挑战性的场景中。通过回顾医学成像、自动驾驶、遥感和自然场景理解等应用，展示了对比适应技术的多样性。此外，本文还指出了持续存在的挑战，如噪声较大的负样本、对抗训练的不稳定性、高昂的计算成本、对未见领域的泛化能力有限以及缺乏标准化的评估协议，并讨论了旨在开发可扩展、高效、可解释且注重隐私保护的对比领域适应模型的新兴研究方向。