CHATTY：用于无监督域适应的耦合整体对抗传输项与产出方法

我们提出了一种称为CHATTY的新技术：用于无监督域适应的耦合整体对抗传输项与产出(Coupled Holistic Adversarial Transport Terms with Yield for Unsupervised Domain Adaptation)。对抗训练通常用于通过反转来自域判别器头的梯度来训练神经网络的特征提取器层，从而学习域不变表示。我们对抗判别器头、其训练目标以及分类器头提出了显著改进。以减少类别混淆为目标，我们引入了一个子网络，以可学习的方式位移源域和目标域样本的分类器输出。我们使用一种新颖的传输损失来控制这种位移，该损失将类别簇彼此分散开，使分类器更容易为源域和目标域找到决策边界。将这一新损失与精心选择的已有损失结合，相较于先前在基准数据集上的最优方法，提升了UDA结果。我们通过消融实验和目标域样本在表示空间中位移的可视化，展示了所提损失项的重要性。