CUDA：用于无监督域适应的反区分器

在本文中，我们提出一种称为反区分器（CTDR）的简单模型，用于无监督域适应，其目标是在完全无监督的方式下联合学习对未标记目标域进行反区分，并结合通过在完全不同的域上监督学习所获得的先验知识。近期大多数域适应工作依赖于一种间接方式：先对齐源域和目标域分布，然后在带标记的源域上学习分类器以对目标域分类。这种间接处理未标记目标域分类真实任务的方法有三个主要缺点。（i）由于较大的域偏移（例如语言域），获得域的完美对齐这一子任务本身可能不可能。（ii）使用多个分类器来对齐分布不必要地增加了神经网络的复杂度，导致在许多情况下过拟合。（iii）由于分布对齐，随着域发生变形，域特定信息丢失。在这项工作中，我们提出一种不需要域对齐的简单直接方法。我们利用用于未标记目标域的反区分损失与用于带标记源域的监督损失相结合，在源域和目标域分布上联合学习 CTDR 以完成无监督域适应任务。我们的实验表明，通过使用 CTDR 直接处理未标记目标域分类任务来避免域对齐，在八个视觉和四个语言基准域适应数据集上取得了最先进的结果。