半监督域泛化的域无关特征调制

半监督域泛化（SSDG）利用少量标记数据和 unlabeled 数据来增强模型泛化。大多数现有 SSDG 方法依赖伪标签（PL）处理 unlabeled 数据，常常假设可获取域标签——这种假设在实际中并不总是成立。然而，域迁移引入域噪声，导致 PL 不一致，降低模型性能。以 FixMatch 为代表的方法尤其受限于 PL 准确性，降低了 unlabeled 数据的有效性。为此，我们针对更具挑战性的域无关 SSDG（即训练期间不可获取 unlabeled 数据的域标签）进行了解决。首先，我们提出一种特征调制策略，通过抑制域特定信息来增强类别判别特征。这种调制将特征向类似平均表示（Similar Average Representations）——一种修改版的类原型——靠拢，这些表示在不同域之间具有鲁棒性，鼓励分类器区分 closely related 类，同时引导特征提取器形成紧密聚类且具有域不变性的表示。其次，为缓解域噪声并提高伪标签准确性，我们引入一种损失缩放函数，动态降低伪标签的固定置信阈值，以优化 unlabeled 数据的使用。凭借这些关键创新，我们的方法在四大主要域泛化基准上取得了显著改进——即便没有域标签也能实现。我们将公开代码。