用于无监督域适应的共正则化对齐

深度神经网络在大量标注数据上训练后，当以来自与目标域（其分布不同于训练数据分布，即源域）的样例测试时，可能无法很好地泛化。在所有可能的域中获取所需数量的标注数据可能代价高昂甚至不可行。无监督域适应旨在解决此问题，目标是利用源域的标注样例但仅利用目标域的无标注样例，为目标域学习一个良好的预测模型。域对齐通过匹配源域与目标域的特征分布来应对该问题，并已被用作许多最先进域适应方法的关键组件。然而，匹配边缘特征分布并不能保证相应的类条件分布会在两域间对齐。我们提出用于无监督域适应的共正则化域对齐，其构建多个不同的特征空间并分别在其中对齐源域与目标域分布，同时鼓励这些对齐在目标域无标注样例的类预测上彼此一致。所提方法是通用的，可用于改进任何使用域对齐的域适应方法。我们在一个近期最先进方法的背景下对其实例化，并观察到它在多个域适应基准上提供了显著的性能提升。