企业官网建设流程全解析

【噪声助力迁移学习新成果】

迁移学习里的 "源数据"，未必非得是图像、文本或音频。一组从高斯分布里随机采样出来、没有任何语义的噪声，也能帮助模型在少量标注下学得更好。这项工作名为半监督噪声自适应（Semi - Supervised Noise Adaptation，SSNA），论文已发表于ICML 2026。

【噪声自适应框架NAF】

SSNA团队进一步提出噪声自适应框架（Noise Adaptation Framework, NAF），它利用随机生成的噪声构造出具有判别性的类别结构，并将这种结构迁移到真实目标数据上，从而提升模型在少量标注场景下的学习效果。NAF把噪声域和目标域投影到共享表征空间，并在类别层面进行对齐。

【实验效果显著】

在每类仅有4个标注样本的情况下，基于ResNet - 18骨干网络，NAF在CIFAR - 10、CIFAR - 100、DTD - 47和Caltech - 101上的准确率，相比仅使用有标注样本训练的标准监督学习基线ERM （经验风险最小化，Empirical Risk Minimization），分别提升了12.35、7.61、4.38和2.74个百分点。目前，论文源码已开源。

【把真实源域换成噪声】

传统迁移学习通常需要一个标签丰富的源域，但真实源数据并不总是容易获得。隐私、保密和版权限制，都可能让源域数据无法共享。SSNA试图把这个前提拿掉，源域不再放真实样本，而是换成从简单概率分布中生成的噪声。具体做法是，假设目标任务包含C个类别，研究团队首先在1024维空间中为每个类别随机采样一个均值向量，并以单位矩阵作为协方差，由此构造C个高斯分布，再从每个分布中采样50个噪声向量。噪声域与目标域使用相同的类别索引集合，每个噪声类别预先对应一个目标类别索引，但这种对应本身不包含语义信息。真正被迁移的，是噪声域中形成的判别结构。只要这套结构能够和目标域对齐，它就能为真实目标样本提供更清楚的分类边界。

【少量标签仍然是必要的】

噪声可以替代真实源数据，但不能完全替代目标域标签。因为噪声来自另一个空间，类别编号又是人为指定的，模型必须借助少量已标注目标样本，才能知道噪声类0究竟该和哪个真实类别对齐。论文在CIFAR - 100上把每类标注样本降到0时，ERM和NAF的准确率分别只有0.97%和1.34%，都接近随机水平。一旦提供少量标注，NAF便持续超过ERM。因此，在半监督分类设定中，真实源域未必是实现正迁移的必要条件。

【NAF主要做了三件事】

围绕论文给出的泛化上界，NAF把训练目标拆成三部分。一是先学好少量真实标签，目标域编码器把真实样本映射到共享表征空间，分类器使用少量标注样本计算交叉熵损失，用来建立噪声类和真实类别之间的桥梁。二是再让噪声形成清楚的类别结构，噪声投影器负责把随机向量映射到同一个表征空间，分类器则按照预设类别编号识别这些噪声。训练之后，同类噪声逐渐聚拢，不同类噪声彼此分离。三是最后把两边对齐，NAF会计算噪声域和目标域之间的分布差异，采用负域相似度（Negative Domain Similarity，NDS）作为默认机制。整套目标可写成特定形式，论文给出的泛化上界也对应三项：目标域经验误差、噪声域经验误差，以及两域在共享表征空间中的分布差异。

【从CIFAR到ImageNet，噪声都能带来增益】

主实验覆盖8个视觉数据集和1个文本分类数据集。除ImageNet - 1K外，视觉任务均采用每类4个标注样本，其余训练样本作为无标注数据。在ResNet - 18上，NAF相较ERM的Top - 1提升分别达到：CIFAR - 10 +12.35 、CIFAR - 100 +7.61 、DTD - 47 +4.38 、Caltech - 101 +2.74个百分点。在细粒度分类上同样有效。在更大规模的ImageNet - 1K上，研究团队为每类保留100个标注样本，NAF达到37.10%准确率，比ERM高0.99个百分点。文本任务AG News - 4上，使用BERT的NAF达到82.82%，比ERM的78.64%高4.18个百分点。NAF也可以直接插入现有半监督方法，接入后整体都获得了增益。

【真正有用的不是“随机”，而是结构】

噪声为什么能帮忙？论文的消融实验把答案指向了同一个因素：类别之间是否具有可分离的结构。团队把所有类别的噪声都压成同一个点时，噪声域彻底失去判别结构，NAF不但没有增益，反而出现明显负迁移。相反，当逐步拉大噪声类别中心之间的距离时，准确率提高。这说明噪声类越容易区分，能够提供的结构引导通常越强。噪声数量反倒没有那么关键，只要能形成可分离模式，少量噪声就足以发挥作用。在Amazon到Caltech - 10的迁移实验中，真实源数据整体仍略胜一筹，但噪声源域已经能把准确率从ERM的83.51%提升到约88%至89%，合成噪声可以成为一种成本很低的替代方案。它也不同于常见数据增强。

【总结：没有语义，结构依然可以迁移】

这项工作为迁移学习提供了一个颇具反常识的新视角：源数据能够帮助目标任务，未必完全依赖其真实语义，表征空间中形成的类别结构同样可能成为可迁移的知识。NAF利用随机噪声在共享表征空间中形成具有判别性的结构，再借助少量标注样本将其传递给真实数据。实验结果表明，即使源域不包含真实图像、文本或音频，只要保留合适的类别结构，依然可能对目标任务产生正向作用。换句话说，迁移学习所迁移的，或许不只是“数据讲了什么”，还包括“数据在表征空间中如何组织”，这也为隐私受限、版权敏感或真实源数据难以获取的场景，提供了一条新的研究思路。