通过双头判别器进行持续域对抗自适应

在持续学习设置中，由于访问先前源域数据的限制，域对抗自适应面临重大挑战。尽管在持续学习方面有广泛研究，但仅使用少量存储的源域数据（这是记忆回放方法中的标准设置）无法有效完成对抗自适应任务。这一限制源于使用少量源域样本对 $\gH$-散度进行经验估计时产生的误差。为了解决这个问题，我们提出了一种双头判别器算法，通过引入一个额外的仅源域判别器，该判别器仅在源学习阶段进行训练。我们证明，通过引入预训练的仅源域判别器，与 $\gH$-散度相关的对抗损失的经验估计误差从源域一侧得到了降低。在现有域自适应基准上的进一步实验表明，我们提出的算法在所有类别的目标域自适应任务上均实现了超过 2$\%$ 的提升，同时显著减轻了对源域的遗忘。