基于信任感知的联合特征-预测偏差用于鲁棒域适应

域适应旨在缓解由标注源域与未标注或稀疏标注目标域之间的分布偏移导致的性能下降。大多数现有方法要么在特征空间要么在预测空间估计域偏差。然而，这些单一视角的策略忽略了域偏移下信号可靠性的问题。在实践中，学习的表征和语义预测可能变得不可靠，同时将所有目标样本视为等级会导致误导的对齐和次优的迁移。我们引入信任感知域适应，一个以特征和预测信号可靠性为建模基础的框架。我们方法的核心是联合特征-预测偏差（JFPD），一种统一的表述，同时通过样本特定信任对其贡献进行加权，联合捕获表示发散和预测发散。信任通过两种互补机制量化：不确定性感知信任，源自预测熵以抑制不可靠的预测；语义对齐信任，计算于特征空间中原型相似性，以强调已对齐的表征。通过优先考虑自信且语义一致的样本，同时压低噪声或模糊的样本，JFPD提供一种可靠性感知的域偏差估计。我们进一步将JFPD集成到训练目标中，以引导适应向目标域的可信赖区域迁移。在标准基准测试上进行的实验表明，所提出的框架持续实现优异的适应性能，并产生与目标域错误率相关的偏差估计。该工作首次针对域适应中特征与预测相互作用的信任建模问题。