基于多分类器的无源无监督域自适应域间距估计

理论上，无监督域自适应（UDA）的成功在很大程度上依赖于域间距估计。然而，对于无源 UDA，在自适应过程中无法访问源域数据，这给域间距度量带来了巨大挑战。本文提出使用多个分类器来学习源域决策边界，即使两个域的数据无法同时访问，也能提供更为紧致的域间距上界。源模型被训练为将每对分类器推远，同时确保决策边界的正确性。就此意义而言，我们的多分类器模型尽可能地将源域不同类别分离，从而在目标域中引发多分类器的最大分歧，由此最大化可迁移的源域知识。在自适应阶段，源模型被调整以最大化各对分类器之间的一致性，从而将目标特征推离决策边界。在多个 UDA 数据集上的实验表明，我们的方法在无源 UDA 方法中达到了最先进的性能，甚至可与有源 UDA 方法相竞争。