具有条件偏移与标签偏移的对抗式无监督域适应:推断、对齐与迭代

在这项工作中,我们提出了一种具有内在条件偏移和标签偏移的对抗式无监督域适应(UDA)方法,旨在同时对齐关于 $p(x|y)$ 和 $p(y)$ 的分布。由于目标域中标签不可获取,传统的对抗式 UDA 假设 $p(y)$ 跨域不变,并依赖对齐 $p(x)$ 作为 $p(x|y)$ 对齐的替代。为此,我们在条件偏移和标签偏移下对传统的对抗式 UDA 方法进行了深入的理论与实证分析,并提出了一种新颖且实用的对抗式 UDA 替代优化方案。具体而言,我们在训练中迭代推断边缘分布 $p(y)$ 并对齐 $p(x|y)$,在测试中精确对齐后验 $p(y|x)$。我们的实验结果证明了其在分类和分割 UDA 以及部分 UDA 上的有效性。