计算机科学与技术学院李占山教授等人的论文“Enhancing transferability and discriminability simultaneously for unsupervised domain adaptation”（在无监督领域自适应中同时增强可迁移性和可判别性）被人工智能领域重要国际期刊Knowledge-Based Systems（中科院1区）录用。论文第一作者为李占山教授指导的2018级博士生李静瑶，其他作者为吕帅副教授、2018级本科生朱文博，通讯作者为李占山教授。

  无监督领域自适应方法旨在将知识从带标记的源域迁移到无标记的目标域。近年来，基于深度学习的无监督领域自适应方法取得了可喜的进展，大多数方法在源域和目标域中使用了共享特征提取器。由于领域间的差异较大，生成的领域共享特征可能仍包含了一些领域特性，进而影响可迁移性。生成的特征也改变了原始特征空间的几何结构，导致可判别性的丧失。基于此，本文提出了一种同时增强可迁移性和可判别性的方法ETDS（Enhancing Transferability and Discriminability Simultaneously）。ETDS包含两个用于显式捕获领域特性的模块，有助于在领域共享特征中保留公共特征，增强可迁移性。ETDS通过迫使特征与其原型更接近来增强可判别性，提出了一种不使用真实标签或伪标签构建原型的新方法，并提出了一种平衡策略来调节源原型和目标原型的相对贡献。在涵盖目前最困难的DomainNet等4个数据集上的实验结果表明：本文方法优于现有的领域自适应方法。