多域数据自适应学习方法、学习装置、介质和学习系统

本申请提供了一种多域数据自适应学习方法、学习装置、介质和学习系统。该学习方法通过跨域分类网络对源域和目标域的数据进行对比学习有助于模型学习到域不变的特征，从而提高在目标域的泛化能力，通过增量学习网络的知识蒸馏的方式，将之前学到的模型知识蒸馏给当前模型，防止模型在学习新知识时忘记旧知识，通过保存并利用上一轮训练的模型参数，保证了模型的连续性和稳定性，从而避免了灾难性遗忘，通过特征判别器在高级语义层上实现源域特征的细粒度对齐，确保模型能够学习到区分性强且域不变的特征表示，从而解决了现有方案在源域和目标域的数据投喂过程中，由于目标域过多而出现无法对齐域特征空间，从而导致灾难性遗忘的问题。