面向无监督域适应的任务导向解耦表示学习

无监督域适应（UDA）旨在解决有标签源域与无标签目标域之间的域偏移问题。已有诸多努力来解决训练与测试数据分布的不匹配，但不幸的是，它们忽略了跨域的任务导向信息，且在复杂的开集场景中不够灵活、表现不佳。许多工作通过学习域不变表示来消除训练与测试数据分布间的不匹配。然而，所学表示通常并非任务导向的，即不能同时具备类判别性与域可迁移性。这一缺陷限制了UDA在域间无共享标签的复杂开集任务中的灵活性。在本文中，我们将任务导向概念拆解为任务相关与任务无关，并提出动态任务导向解耦网络（DTDN）以端到端方式学习解耦表示用于UDA。该动态解耦网络有效地将数据表示解耦为两部分：任务相关部分嵌入跨域与任务关联的关键信息，任务无关部分包含其余不可迁移或干扰性信息。这两部分由一组跨域的任务特定目标函数正则化。此类正则化显式鼓励解耦，并避免使用生成模型或解码器。在复杂开集场景（检索任务）与经验基准（分类任务）中的实验表明，所提方法捕捉了丰富的解耦信息并取得了优越性能。