不平衡小樣本基于局部域對抗適應網絡的發動機振動預測模型

季友昌，袁偉偉，毛善斌，任春紅，關東海

（1.南京航空航天大學 計算機科學與技術學院, 江蘇 南京 211106; 2.北京動力機械研究所, 北京 100074）

在發動機制造中，發動機裝配完成后需要進行試車測試，若出現振動超差，則需要拆解發動機，更換零部件或者調整裝配操作，再重新裝配測試。而影響發動機振動水平的因素眾多，依靠經驗進行調試需要花費大量人力，嚴重影響發動機的生產進度。隨著人工智能技術的發展，研究人員嘗試開發智能算法對發動機振動水平進行預測，期望算法能夠對裝配過程給予指導。但由于復雜的裝配操作和高昂的數據獲取成本，能采集到的數據量小，并且振動合格的樣本數量遠超振動超差的樣本，因此該問題屬于不平衡小樣本預測問題。

現有的發動機振動預測方法可分為：基于傳統機器學習算法[1]，以及基于復雜神經網絡的深度學習算法，例如借助LSTM（long short-term memory）和RNN（recurrent neural network）來預測渦輪發動機振動水平[2]。但由于實際應用場景中訓練樣本的不平衡且數量少的特點，直接使用傳統機器學習或深度學習算法容易產生標簽偏差和過擬合等問題。

遷移學習技術是解決小樣本預測問題的關鍵技術之一。它能夠利用源域數據中的知識來提高模型在目標域的性能，減少目標域對樣本的依賴[3]。為解決目標域和源域數據分布上的差異，提出了如基于子結構遷移的跨域行為識別框架[4]、基于類質心匹配與局部流形學習的域自適應方法[5]、基于魯棒專家模型的連續性領域自適應[6]等方法。但由于不同型號發動機的裝配參數不同，即源域和目標域的特征空間不同，在進行域自適應前需要先對齊特征空間，因此該問題屬于異構遷移學習問題。

異構遷移學習的主要思路是通過將源域和目標域映射同一個特征空間，在該空間兩域數據分布接近，從而實現異構數據的遷移[7]。隨著深度學習蓬勃發展，越來越多的學者通過復用深度網絡模型實現領域遷移[8-11]，而自從生成對抗網絡[12]的提出，其對抗的思想也被運用到遷移學習中，衍生了許多對抗遷移學習方法[13-16]。然而，由于采集到的實際裝配數據呈現出樣本量小且類別不平衡的特點，現有的異構遷移學習方法很難訓練一個具有標簽自然不平衡的域不變特征的分類器，少數類樣本被錯誤遷移，導致最終的分類模型可能也會出現標簽偏差問題。此外，由于樣本量小，采用層數過多、復雜的神經網絡會出現過擬合問題。

為解決現有工作的問題，本文提出了基于局部域對抗適應網絡的發動機振動預測模型（engine vibration prediction model based on partial domain adversarial adaptation network，EVP-PDAA）。EVP-PDAA 將領域按標簽分為多個局部域，建立多個局部域對抗適應網絡將目標域樣本映射到相應標簽的局部源域，保證少數類樣本也能得到合理的遷移。由于樣本量小，為保證局部域對抗適應網絡訓練的穩定性和域轉換的正確性，將推土機距離（earth mover distance，EMD）作為網絡的優化目標，并在網絡參數更新時使用梯度懲罰策略。進行振動預測時，利用偽標簽來解決待預測目標樣本的局部域對抗適應網絡選擇問題，使用源域分類器給出可靠的預測結果，矯正偽標簽可能出現的錯誤。實驗結果表明，本文所提出的方法在面對不平衡小樣本時的表現優于其他遷移學習方法，實現了遷移其他型號發動機的數據來提高目標發動機的振動預測效果。

1 相關工作

本研究采用基于對抗思想的異構遷移學習方法遷移源域知識。因此在相關工作中，分別對異構遷移學習方法、深度神經網絡遷移方法和深度對抗網絡遷移方法進行介紹。

異構遷移學習方法可以被主要分為兩類：基于對稱特征變換的方法和基于非對稱特征變換的方法。基于對稱特征變換的方法，即將源域和目標域轉換到一個公共子空間，在這個空間里，源域和目標域的數據分布較之前更接近。比如，Duan等[17]提出了異構特征增強方法（heterogeneous feature augmentation，HFA），該方法使用兩個變換矩陣將源域和目標域映射到公共子空間，并將兩個變換矩陣合并，以SVM 的結構風險函數最小化對合并后矩陣進行優化求解。基于非對稱特征變換的方法，即將源域特征空間轉換到目標域特征空間或將目標域特征空間轉換到源域特征空間。Sukhija 等[18]提出了基于隨機森林的有監督異構領域自適應（supervised heterogeneous domain adaptation via random forests，SHDA-RF）。SHDA-RF以目標域和源域的共享標簽分布作為特征變換的核心，通過隨機森林來定義共享標簽分布和特征之間的關系，從而得到源域和目標域特征空間之間的關系。Feuz 等[19]提出了一個特征空間重映射（feature-space remapping，FSR）方法。FSR 定義了目標域和源域的元特征，并以此構建了目標域和源域特征的相似度矩陣，最后通過特征映射關系將目標域樣本映射到源域樣本空間。

隨著深度學習的發展，越來越多的學者將深度網絡應用于遷移學習。Ferhat 等[20]通過集成預訓練的Transformer 模型來檢測惡意軟件。Zhang等[21]通過預訓練和微調來進行小樣本意圖檢測。

自從Goodfellow 提出生成對抗網絡[12]以來，有諸多學者嘗試將網絡對抗的思想應用到遷移學習中，并提出了各種深度對抗網絡方法。例如Hong等提出了一個基于交叉模態肝分割、聯合對抗學習和自學習的域自適應框架[22]。

但現有研究在處理不平衡小樣本的分類預測問題時，少數類樣本在遷移過程中會出現錯誤遷移的情況，訓練得到的分類模型會出現如圖1 所示的標簽偏差現象。采用層數過多、復雜的神經網絡會出現過擬合問題。

圖1 標簽偏差現象Fig.1 Label bias phenomenon

2 問題定義

發動機振動預測，即根據裝配參數，預測裝配后的振動水平是否合格。實際采集到的數據樣本總量不超過150，振動超差樣本比例不超過20%，難以直接使用機器學習或深度學習技術建立有效的預測模型，為此，將遷移其他型號發動機的知識來輔助目標發動機的振動預測。為將問題形式化，本文作出以下幾個定義。

定義1 源域：源域Ds由 特征集Xs=(x1s,x2s,···,xNs)和 標 簽 集Ys=(y1s,y2s,···,yNs) 組 成， (xis,yis) 代 表 Ds的第i條樣本，N為源域樣本數量。

定義2目標域：目標域 Dt由特征集Xt=(x1t,x2t,···,xtN) 和 標 簽集Yt=組成，代表 Dt的第i條樣本，M為目標域樣本數量。

定義3局部源域：局部源域 Dγs為標簽為γ的源域樣本所組成的集合：Dγs==γ,i=1,2,···,N}。

定義4局部目標域：局部目標域為標簽為γ 的目標域樣本所組成的集合：Dγt==γ,i=1,2,···,M}。

定義5生成器集合：生成器集合Gen={Gi|i=0,1,···,L-1}， 其中Gi為將 Dit映射到 Dis的局部域對抗適應網絡中的生成器。

3 基于局部域對抗適應網絡的發動機振動預測模型

本文針對發動機振動預測中不平衡小樣本的問題，提出了基于局部域對抗適應網絡的發動機振動預測模型。該方法的核心思想是將領域按標簽分為多個局部域，建立多個局部域對抗適應網絡將各個局部目標域樣本映射到相應的局部源域，振動預測時使用偽標簽解決映射函數選擇問題，并使用源域分類器給出預測的可靠結果，糾正偽標簽可能出現的錯誤。EVP-PDAA 包含兩個階段：一是局部域對抗適應網絡的建立；二是振動預測機制。基于局部域對抗適應網絡的發動機振動預測模型的框架如圖2 所示。

圖2 EVP-PDAA 的框架Fig.2 Structure of EVP-PDAA

3.1 局部域對抗適應網絡

局部域對抗適應網絡由一個生成器G和一個判別器D組成。生成器學習局部目標域到局部源域樣本空間的映射關系，以局部目標域樣本為輸入，輸出為轉換到局部源域樣本空間的樣本。判別器學習判斷數據是轉換后的目標域數據還是源域數據，以局部源域樣本和生成器的輸出為輸入，輸出為輸入樣本與局部源域的接近程度。通過生成器和判別器的對抗訓練，使生成器能夠準確地將局部目標域樣本映射到相應局部源域。

若使用二元交叉熵作為損失函數，生成器和判別器的損失函數分別為

式中： E 為期望函數；Pr和Pg分別是局部源域樣本所服從的分布和由生成器轉換后的局部目標域樣本所服從的分布；G(·)和D(·)分別是生成器和判別器網絡的可微分函數。

但以二元交叉熵作為損失函數可能會出現判別器訓練得越好，最小化式(2)就會越近似于最小化Pr和Pg的JS 散度，但若Pr和Pg沒有重疊或重疊部分可以忽略時（可能性很大），Pr和Pg的JS 散度越接近于一固定常數lg2，進而面臨梯度消失問題。此外，還有可能導致生成器生成樣本多樣性不夠等問題[23]。

即使Pr和Pg沒有重疊，EMD 仍能反映它們的遠近，從而提供有意義的梯度。因此，將EMD 定義為生成器的損失函數，可以有效地將生成器生成的樣本分布向局部源域樣本分布靠攏。EMD的定義為[23]。

使用帶參數 ω的神經網絡來定義一系列可能的函數fω，式(4)就可以近似轉化為

為使fω滿足Lipschitz 條件，可以采用權重裁剪策略，即限制參數 ω的變化范圍不超過某個特定范圍 [-c,c]，c為固定常數。但權重裁剪策略可能會導致判別器學習成為一種簡單的函數映射，或出現梯度消失或爆炸等問題[23]。

因此，本文使用梯度懲罰策略[24]，加入一個正則項，將梯度的L2 范數約束在1 附近，使判別器的參數不超過某個常數，滿足Lipschitz 條件。此時，局部域對抗適應網絡的目標函數為

其中 ε為0 到1 之間的隨機數。

綜上所述，生成器和判別器的損失函數分別為

生成器和判別器均由輸入層、隱藏層和輸出層組成。由于數據量小，為避免出現過擬合的情況，隱藏層的網絡不宜設計得過于復雜。此外，由于batch normalization（BN）是對一個批次的樣本進行歸一化，在判別器網絡中加入BN 層會使得每個樣本的梯度計算出錯，因此在判別器中不加入BN 層。局部域對抗適應網絡的網絡結構如圖3所示，圖中生成器和判別器的隱層層數為1。

圖3 局部域對抗適應網絡的結構Fig.3 Structure of PDAA

局部域對抗適應網絡的訓練偽代碼如算法1 所示。

算法1局部域對抗適應網絡訓練偽代碼

輸入局部目標域訓練數據Xt，對應的局部源域數據Xs， 梯度懲罰項系數 λ，判別器和生成器訓練次數比例nd，訓練輪次T

輸出生成器

1) Fort= 1, 2, … ,T:

2) 隨機從Xt中選擇一個樣本：xt

3) 隨機從Xs中 選擇一個樣本：xs

4) Fori= 1, 2, … ,nd:

5) 根據式(5)，生成隨機樣本

6) 根據式(7)，計算判別器損失

7) 使用Adam 優化算法更新判別器參數

8) End For

9) 根據式(8)，計算生成器損失

10) 使用Adam 優化算法更新生成器參數

11) End For

3.2 振動預測機制

在EVP-PDAA 中存在L個局部域對抗適應網絡，使用網絡中的生成器可以將目標域中各類樣本映射到對應局部源域。但當面對沒有標簽的目標樣本時，很難決定使用哪一個生成器進行領域轉換，無法對振動水平進行預測。為此，EVP-PDAA設計了一個基于偽標簽的振動預測機制。

EVP-PDAA 在有限的目標域訓練樣本上建立一個預分類器，預分類器對待預測的目標樣本xt進行預測并給出標簽，將該標簽記為偽標簽yp，偽標簽的值域同為目標域標簽空間。與最終標簽相比，偽標簽yp的可靠性不足，需要借助后續機制進行驗證或進行修改。

隨后，根據偽標簽在生成器集合Generators中選擇相應生成器Gyp，利用Gyp即可將目標樣本轉換到源域樣本空間。得到轉換到源域樣本空間下的目標樣本Gyp(xt)后，利用在源域樣本空間中訓練的源域分類器，對轉換后的樣本再次進行預測，給出預測的最終結果。當預分類器出現誤分類， 導致后續選擇了錯誤的生成器Gyp進行域轉換，但由于Gyp學習的是 Dytp到 Dysp的映射函數，不屬于 Dy

tp的目標樣本經過轉換后較 Dysp必然存在一定差異，而當差異超過了源域分類器對 Dysp的決策邊界且位于真實標簽的樣本空間時，源域分類器就能夠矯正預分類器的錯誤，給出正確的標簽。

EVP-PDAA 的振動預測機制偽代碼如算法2 所示。

算法2振動預測機制偽代碼

輸入待分類的目標樣本Dtest，目標域數據Dt，源域數據Ds，生成器集合Generators

輸出目標樣本的標簽Ytest

1) 在Generators 中選擇相應的生成器，將Dt轉換到源域樣本空間，得到轉換后的數據Dt_trans

2) 使用 Dt_trans和 Ds訓練源域分類器

3) 使用 Dt訓練預分類器

4) 預分類器對Dtest進行預測，給出偽標簽

5) 根據偽標簽，在Generators 中選擇相應的生成器對Dtest進行域轉換，得到Dtest_trans

6) 源域分類器對Dtest_trans進行預測，給出預測的最終結果Ytest

4 實驗結果及分析

4.1 實驗設置

本文在3 個源域數據集DR、EP-1、EP-2 和3 個目標域數據集SR-1、SR-2、SR-3 上進行了實驗。單軸發動機的實際裝配數據中包含248 個裝配參數，使用不同的特征選擇方法進行3 輪特征選擇，分別篩選出9、12、23 個關鍵裝配參數，即SR-1、SR-2 和SR-3。DR 是從雙軸發動機的實際裝配過程中采集而來，雙軸發動機具有與單軸發動機振動相關的共性關鍵特征。EP-1 和EP-2 是從單軸發動機的實驗平臺采集而來，該實驗平臺是對單軸發動機的簡化模擬，源域發動機和目標域發動機的裝配工藝對發動機振動水平的影響具有一定共性關系，但很難通過機理分析得出關系的具體表現形式。各數據集的統計信息如表1 所示。

表1 數據集的統計信息Table 1 Statistic results of datasets

本文選取了5 種對比方法，分別是：1) RF-T：不使用遷移學習方法，直接使用目標域數據建立分類器；2) TCA（transfer component analysis）[25]：通過最小化源域和目標域邊緣概率分布的距離解決兩域數據分布差異；3) CORAL（correlation alignment）[25]：通過對齊源域和目標域協方差解決數據分布差異；4) FSR；5) SHDA-RF。由于CORAL 和TCA 要求目標域和源域的特征空間相同，因此在遷移之前，先使用UMR[26]來統一目標域和源域的特征空間。所有方法中的分類器均采用隨機森林（random forests，RF）算法。

本文使用AUC 和F1來評價各方法所建立的振動預測模型性能，其中F1用于衡量模型對少數類的預測性能，AUC 用于評價模型的整體性能。為避免隨機因子對實驗造成影響，每組實驗都重復20 次，使用Wilcoxon 符號秩檢驗[27]判斷兩個方法的實驗結果是否具有統計意義上的不同，置信水平設為95%。此外，本文使用Cohen’s d 效應量來量化兩個方法的差異，Cohen’s d 值和效應等級的對應關系如表2 所示[22]。

表2 Cohen’s d 效應量等級Table 2 The effectiveness levels of Cohen’s d

為使得網絡結構不會過于復雜，在實驗中，EVP-PDAA 局部域對抗適應網絡中的生成器和判別器全連接層的神經元數量設為32，隱層層數為1，預分類器和源域分類器均使用RF。根據交叉驗證結果，將網絡的學習率設為0.0005、判別器和生成器訓練次數比例設為5、梯度懲罰項系數設為10、訓練輪次為200。

4.2 實驗結果分析

從表3 和表4 可以看出，在面對不同的源域和目標域，EVP-PDAA 的AUC 和F1較未使用任何遷移學習方法的RF-T 都具有顯著的提升，AUC平均提升9%，F1平均提升25%。說明了EVP-PDAA通過多個局部域對抗適應網絡隱性地表示了源域發動機同目標域發動機的裝配工藝對振動水平的共性影響關系，進而建立起目標域到源域的映射。并得益于源域分類器優異的分類性能，糾正了預分類器所給偽標簽的錯誤，充分運用了源域的知識，進行了有效的遷移，具有較強泛化性。

表3 各方法的AUC 指標Table 3 The AUC of different methods %

表4 各方法的F1 指標Table 4 F1 of different methods %

在大部分遷移場景下，CORAL 建立的振動預測模型的AUC 和F1較RF-T 都能夠有一定提升，但在某些場景下，CORAL 會出現負遷移，預測性能不升反降，說明CORAL 的泛用性較差。而其他遷移學習方法建立的預測模型在大部分情況下的性能均劣于RF-T，出現了嚴重的負遷移，說明這些遷移學習方法在面對不平衡小樣本不能進行合理的遷移。EVP-PDAA 的表現顯著超過其他遷移學習方法，AUC 能夠平均提升26%，F1能夠平均提升30%。

從圖4 和圖5 可以看出，EVP-PDAA 和其他遷移學習方法建立的預測模型在性能上都具有統計意義的不同。AUC 和F1指標的效應量等級幾乎都為L，且效應量值遠大于L 的閾值，說明較其他遷移學習方法，EVP-PDAA 能夠更有效地遷移其他型號發動機的知識，建立性能更強的振動預測模型。

圖4 EVP-PDAA 和其他遷移學習方法的AUC 統計分析Fig.4 Statistical analysis of AUC between EVP-PDAA and other transfer learning methods

圖5 EVP-PDAA 和其他遷移學習方法的F1 統計分析Fig.5 Statistical analysis of F1 between EVP-PDAA and other transfer learning methods

此外，對于EVP-PDAA，遷移 EP-1 和EP-2 性能要優于遷移DR 的性能。這是由于EP-1 和EP-2的源域分類器性能要優于DR，表5 給出了RF 在源域上的分類性能， EP-1 和EP-2 的源域分類器對偽標簽的錯誤矯正能力更強，所建立的振動預測模型的性能更強。也進一步說明了，當EVPPDAA 通過多個局部域對抗適應網絡建立起目標域到源域的映射，且能在源域上建立一個分類性能很強的分類器時，可以實現有效的遷移，較好地解決了不平衡小樣本帶來的遷移難等問題。EVP-PDAA 不適用于在源域樣本空間中無法建立一個具備優異分類性能的分類器的情況。

表5 RF 在源域上的性能Table 5 The performance of RF in source domain %

4.3 預分類器的有效性分析

為對預分類器進行有效性分析，預分類器使用6 種不同類型的分類算法，分別是人工神經網絡（artificial neural network，ANN）、貝葉斯分類器（Bayes）、決策樹（decision tree，DT）、邏輯回歸（logistic regression，LR）、RF、支持向量機（support vector machine，SVM）。其中，ANN 的網絡結構為：輸入層、包含64 個神經元的全連接層、LeakyReLU激活函數、輸出層，使用二元交叉熵作為損失函數，Adam 作為優化器。Bayes 使用高斯樸素貝葉斯，LR 使用L2 作為正則項。EVP-PDAA 采用不同預分類器的AUC 和F1平均值如圖6 和圖7 所示。

圖6 EVP-PDAA 和預分類器的AUC 對比分析Fig.6 Comparison of AUC between EVP-PDAA and pre-classifier

圖7 EVP-PDAA 和預分類器的F1 對比分析Fig.7 Comparison of F1 between EVP-PDAA and pre-classifier

從實驗結果上看，無論預分類器采用何種類型的分類算法，EVP-PDAA 的AUC 和F1均優于預分類器。當預分類器的指標較低時，EVP-PDAA的提升幅度非常明顯，EVP-PDAA 的性能與預分類器的性能基本呈正相關的關系，預分類器的性能越強，EVP-PDAA 的性能越強。這是因為預分類器給出的偽標簽越準確，執行錯誤轉換越少，需要標簽矯正的次數越少。此外，從實驗結果中，我們發現SVM 和LR 較其他分類算法的性能更強，這可能是因為目標域數據存在一個線性平面能夠相對較好地劃分多數類和少數類的決策邊界。ANN、Bayes 和DT 識別少數類的能力較差，這可能是因為模型出現了過擬合，決策邊界更偏向多數類。

4.4 局部域對抗適應網絡結構的有效性分析

為對局部域對抗適應網絡結構進行有效性分析，本文對另外兩種網絡結構進行了實驗，分別是使用梯度裁剪策略來保證Lipschitz 連續，記采用這個網絡結構的EVP-PDAA 為EVP-PDAA-C；以及使用二元交叉熵作為生成器和判別器的損失函數，記為EVP-PDAA-N。

PDAA、EVP-PDAA-N 和EVP-PDAA-C 的預分類器均以RF 為預分類器，圖8 和圖9 分別顯示了各方法的AUC 和F1值。從實驗結果中，我們可以發現采用EMD 距離作為目標函數并使用梯度懲罰策略的PDAA 在AUC 和F1指標上均優于EVPPDAA-C 和EVP-PDAA-N，而EVP-PDAA-C 的性能要優于EVP-PDAA-N。這是因為當EVP-PDAA-N的判別器訓練得過好時，生成器的損失函數會出現梯度消失，并且生成器損失函數的梯度不夠穩定，容易出現模型崩潰等問題。采用EMD 作為目標函數的EVP-PDAA-C 雖然能夠解決生成器損失函數梯度消失的問題，保證網絡訓練的穩定性，但梯度裁剪策略直接將梯度暴力地限制在一個常數空間，樣本生成能力差和目標函數不能收斂的問題仍會存在。當局部域對抗適應網絡中生成器訓練得越好，建立的目標域到源域的映射函數越準確，EVP-PDAA 的性能也會越強。

圖8 EVP-PDAA、EVP-PDAA-C、EVP-PDAA -N 的AUC箱型圖Fig.8 AUC box plot of EVP-PDAA、EVP-PDAA-C、EVPPDAA -N

圖9 EVP-PDAA、EVP-PDAA-C、EVP-PDAA -N 的F1 箱型圖Fig.9 F1 box plot of EVP-PDAA、EVP-PDAA-C、EVPPDAA -N

4.5 超參數的有效性分析

為分析各訓練超參數對EVP-PDAA 性能的影響，本文對學習率、梯度懲罰項系數 λ、判別器和生成器訓練次數比例nd、訓練輪次T分別進行了實驗。在實驗中，源域數據集為DR，目標域數據集為SR-1，使用RF 作為預分類器。分析某一超參數時，其他超參數均固定。為避免隨機因子造成影響，每組實驗都重復20 次，取平均值作為對比。

圖10 給出了EVP-PDAA 在不同學習率和λ下，AUC 和F1指標的變化情況。從圖中可以看出，當學習率取0.000 5 時，EVP-PDAA 的性能最佳。不同梯度懲罰項系數 λ的取值為10 時，EVPPDAA 性能最強。

圖10 EVP-PDAA 在不同學習率和梯度懲罰項系數λ 下AUC 和F1 指標的變化情況Fig.10 AUC and F1 of EVP-PDAA under different learning rate and gradient penalty coefficient λ

圖11 給出了EVP-PDAA 在nd、T不同的取值下，AUC 和F1指標的變化情況。從圖中可以看出，當nd在到達5 時，判別器已能夠得到較好地訓練，EVP-PDAA 性能已基本最優，而當nd小于5時，由于判別器訓練得不夠充分，導致模型性能受到較大影響。此外，當T到達200 時，網絡已基本訓練完成，此時模型性能已趨于穩定。

圖11 EVP-PDAA 在不同n d、T 下AUC 和F1 指標的變化情況Fig.11 AUC and F1 of EVP-PDAA under different nd and T

5 結束語

實際裝配過程中采集到的發動機裝配數據呈現樣本量小且類別不平衡的特點，直接建立的發動機振動預測模型性能不佳。借助遷移學習技術，可以將其他型號的發動機裝配數據和實驗平臺的裝配數據遷移到目標發動機，輔助目標發動機的振動預測。但現有遷移學習方法在面對不平衡小樣本并不能進行合理有效的遷移，因此，我們提出了基于局部域對抗適應網絡的發動機振動預測模型。將領域按標簽分為多個局部域，通過多個局部域對抗適應網絡將目標域樣本映射到源域，保證小樣本中的少數類得到正確的遷移。通過偽標簽來解決目標樣本的域轉換，并使用標簽矯正機制給出可靠的預測結果。