面向多源无监督域适应的分布鲁棒分类

无监督域适应（UDA）是一种统计学习问题，当训练（源）数据的分布与测试（目标）数据的分布不同时便会出现。 在这种设置下，只能获得源域的标记数据和目标域的无标记数据。中心目标是利用源数据和未标记的目标数据构建能够对目标域泛化的模型。尽管具有潜在潜力，现有UDA方法在实际中往往难以应对，尤其是当目标域仅提供有限的无标记数据或源域受到虚假关联主导时。为此，我们提出了一种新型的分布鲁棒学习框架，模型化了协变量分布和条件标签分布两方面的不确定性。我们的做法灵感来自多源域适应设置，但同样直接适用于单源情境，因而在实际中具有广泛适用性。我们开发了一种高效学习算法，可无缝集成到现有UDA方法中。各种分布迁移情景下的大量实验表明，我们的方法在目标数据极其稀缺时能持续地优于强基准，尤其在这种情况下效果更为显著。