无域对齐的部分域适应

无监督域适应（UDA）旨在将知识从标注良好的源域迁移到不同但相关、且具有相同标签空间的无标注目标域。当前，解决 UDA 的主要手段是域对齐，已被证明是成功的。然而，往往难以找到具有完全相同标签空间的合适源域。一种更实际的场景是所谓的部分域适应（PDA），其中源标签集或标签空间包含目标标签空间。不幸的是，在 PDA 中，由于源域中存在不相关类别，很难获得完美的对齐，从而导致模式崩塌和负迁移。尽管已有一些通过降低不相关源类别权重的工作，但由于具体哪些不相关类别未知，所用策略往往繁琐且存在风险。这些挑战促使我们寻找一个相对更简单的替代方案来解决 PDA。为此，我们首先给出详尽的理论分析，表明目标风险受模型平滑度与域间差异两者的约束。考虑到在解决 PDA 时完美对齐的困难，我们转而关注模型平滑度，同时舍弃风险更高的域对齐以增强模型的适应性。具体而言，我们将模型平滑度实例化为一个相当简单的域内结构保持（IDSP）。据我们所知，这是首次在不进行域对齐的情况下解决 PDA 的朴素尝试。最后，我们在多个基准数据集上的实证结果表明，IDSP 不仅在一些基准上显著优于 PDA 的 SOTA（例如，在 Cl->Rw 上 +10%，在 Ar->Rw 上 +8%），而且与标准 UDA 中的域对齐互补。