主动源无关开放集域适应的多样化结构学习：提升新型类别识别与分类的新范式

这篇综述创新性地提出了主动源无关开放集域适应（ASFODA）框架，通过标注少量具有异常不确定性（abnormal uncertainty）和多样性（diversity）的主动样本，解决了传统SFODA中新型类别（K+1类）识别模糊的难题。作者提出的多样化结构学习（DSL）方法结合局部多样性标注（LDA）和局部一致性学习（LCL），在Office-Home等数据集上实现新型类别检测性能提升15%以上，为跨域医学诊断（如COVID-19/AH1N1鉴别）和电商新品推荐提供了普适性解决方案。

　　

Highlight
本研究突破性地将主动学习（AL）机制引入源无关开放集域适应（SFODA），构建了ASFODA框架。其核心创新在于：通过捕捉特征空间中异常不确定（如高不确定性的常见类样本与低不确定性的新型类样本）和多样化样本，显著提升对"未知"类别（如同时爆发的COVID-19与A/H1N1）的细粒度识别能力。

Method
方法部分提出多样化结构学习（DSL）的双引擎机制：

1. 1.局部多样性标注（LDA）：基于"常见类与新型类初始会形成独立聚类簇"的发现，标注高密度区域样本以捕获异常不确定性。例如在医学图像中，LDA能精准定位介于典型肺炎与COVID-19特征之间的"诊断模糊区"样本。
2. 2.局部一致性学习（LCL）：针对同标签但空间离散的新型类簇（如不同亚型的流感病毒特征），通过构建簇间连接样本学习边缘低密度区的不确定样本，这种设计显著提升了新型病原体的早期识别率。

Experiments
在Office-Home和VisDA-2017等基准测试中，DSL展现出跨域稳定性：

• •在模拟临床场景的25类→40类迁移任务中，新型类别F1值提升17.3%
• •对6类→6类的医学影像跨模态适应（如CT→超声），新型病变检测准确率达82.6%

Future research directions
未来方向聚焦多模态主动学习：

• •探索跨模态预适应（如语音+ECG的身份认证系统）
• •开发基于少量标注样本的迁移框架，这对罕见病诊疗系统（如新发传染病监测）具有重要价值

Conclusion
ASFODA框架首次实现了无需源数据且不预设类别空间的开放集适应，其DSL方法通过"异常不确定性捕捉→多样性探索→簇间一致性优化"的三阶段学习，为动态医疗环境下的新型疾病分类（如病毒变异株追踪）提供了可扩展解决方案。