真实场景下的无监督域适应：处理非对称标签集

域适应的目标是将源域上学习的模型适配到特定目标域。迄今为止文献中提出的多数无监督域适应方法均假设目标域中存在的类别集合与源域中存在的类别集合相同。这一限制性假设制约了无监督域适应技术在真实世界环境（“in the wild”）中的实际适用性。因此，我们放宽该约束，提出一种允许目标类别集为源类别集子集的技术。如此，具有广泛类别的大型公开标注数据集可用作源域，即使目标中实际类别集可能更有限且（或许最重要的）事先未知。为此，我们提出一种算法，对与目标分类问题相关的一组源子空间进行排序。随后，我们的方法从该有序源子空间集中选取受限集合。作为扩展，即便从具有不同类别集的多个源数据集出发，该方法也能自动选择与目标数据集相关的适当源类别子集。在多个源域和目标域数据集上的实证分析表明，将源子空间限制为仅类别子集，相较于考虑所有源类别的基线，确实大幅提升了最终的目标分类精度。