发表机构
National University of Singapore; Renmin University of China; Beijing Institute of Technology; Zhejiang University（新加坡国立大学; 中国人民大学; 北京理工大学; 浙江大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
研究分布偏移下数据生成问题，提出基于相似度的生成网络SGN，在源数据训练后无需参数更新用于新目标域，通过学习潜在空间和利用目标域小代表性集，实现目标引导数据增强，实验验证其有效性。
AI 中文摘要
在源域上训练的生成模型生成的样本与偏移后的目标域往往匹配不佳，限制了其在目标域数据增强方面的有效性。虽然特定于目标的适应可以减少这种不匹配，但通常需要额外的优化和特定于域的参数。我们提出了一种基于相似度的生成网络（SGN），这是一个可重复使用的框架，在有标签的源数据上训练一次，无需参数更新即可应用于新的目标域。SGN学习由标签诱导的成对相似度构建的潜在空间，同时通过编码器-解码器架构保留重构信息。在生成时，对来自目标域的一个小的有标签代表性集进行编码，并在学习到的潜在空间中进行组合，使生成的样本在保持类一致性的同时继承目标特定特征。我们进一步分析了所提出的相似度结构的可实现性和维度要求。在图像和表格数据集上的实验证明了SGN在源到目标分布偏移下进行目标引导数据增强的有效性。
英文摘要
Generative models trained on a source domain often produce samples that are poorly aligned with shifted target domains, limiting their effectiveness for target-domain data augmentation. Although target-specific adaptation can reduce this mismatch, it typically requires additional optimization and domain-specific parameters. We propose a Similarity-based Generative Network (SGN), a reusable framework that is trained once on labeled source data and applied to new target domains without parameter updates. SGN learns a latent space structured by label-induced pairwise similarities while preserving reconstructive information through an encoder-decoder architecture. At generation time, a small labeled representative set from the target domain is encoded and combined in the learned latent space, allowing the generated samples to inherit target-specific characteristics while maintaining class consistency. We further analyze the realizability and dimensionality requirements of the proposed similarity structure. Experiments on image and tabular datasets demonstrate the effectiveness of SGN for target-guided data augmentation under source-to-target distribution shifts.
