相关性对抗联合差异自适应网络

领域自适应旨在缓解将一个领域中的知识迁移到另一个相似但不同领域时的领域偏移问题。然而，大多数现有工作依赖于提取边缘特征而未考虑类别标签。此外，一些方法将其模型命名为所谓的无监督领域自适应，却使用目标域标签来调整参数。为解决这些问题，我们提出了一种称为相关性对抗联合差异自适应网络（CAJNet）的新方法，该方法最小化两个领域的联合差异，并利用相关性标签调整参数取得了具有竞争力的性能。通过训练联合特征，我们可以对齐两个领域之间的边缘分布与条件分布。此外，我们引入了一种基于概率的 top-$\mathcal{K}$ 相关性标签（$\mathcal{K}$-label），它是目标域的有力指示符，也是调整参数以辅助预测的有效度量。在基准数据集上的大量实验表明，分类准确率相较当前最优方法有明显提升。