解决维度坍缩：面向全面通用域适应的方法
机器学习
2025-07-08 v3
摘要
通用域适应（Universal Domain Adaptation, UniDA）解决无监督域适应问题，其中目标类别可能与源类别完全不同，仅限于共享子集。广泛使用的部分域匹配（Partial Domain Matching, PDM）方法仅对齐共享类别，但在大量源类别缺失于目标域的极端情况下，表现不佳，甚至不如仅在源数据上训练的朴素基线。本文我们识别到PDM在极端UniDA中的失败源于目标表示的维度坍缩（Dimensional Collapse, DC）。为解决目标DC，我们提出在无标签目标数据上使用自监督学习中的去坍缩技术，以保留所学表示的内在结构。我们的实验结果确认，自监督学习 consistently advance PDM，并在不同共享类别比例的更广泛UniDA情景中实现了新的状态最佳性能，标志着通往真正全面UniDA的重要一步。项目页面：https://dc-unida.github.io/
引用
@article{arxiv.2410.11271,
title = {Tackling Dimensional Collapse toward Comprehensive Universal Domain Adaptation},
author = {Hung-Chieh Fang and Po-Yi Lu and Hsuan-Tien Lin},
journal= {arXiv preprint arXiv:2410.11271},
year = {2025}
}