CAT：用于半监督域泛化的类别感知自适应阈值

域泛化（DG）旨在将来自多个源域的知识传递到未知目标域，即使存在域迁移。有效实现泛化通常需要大型且多样化的标记源数据来学习能泛化到新未知域的鲁棒表示。然而，获取此类高质量标记数据往往成本高昂且费时，限制了DG的实际应用。为此，我们调查了一个更实际且更具挑战性的问题：在标签高效范式下进行半监督域泛化（SSDG）。本文提出一种新方法CAT，该方法利用有限标记数据进行半监督学习，以实现与域迁移相关的竞争性泛化性能。我们的方法解决了前一种方法的关键局限性，如对固定阈值的依赖以及对噪声伪标签的敏感性。CAT结合了自适应阈值和噪声标签细化技术，为SSDG任务提供了一种简单却高度有效的解决方案。具体而言，我们的方法使用灵活的阈值生成具有更高类别多样性的高质量伪标签，同时通过细化噪声伪标签来提高其可靠性。广泛的实验表明，我们的方法在多个基准数据集上表现出优越性能，突显其在域迁移下实现稳健泛化的有效性。