【华南理工大学】无监督多类域自适应:理论、算法和实践，Unsupervised Multi-Class DA

本文研究了无监督多类域适应的形式化，它是近年来一些学习目标仅由经验驱动的算法的基础。多类评分分歧(MCSD)是通过聚合多类分类中的绝对间隔偏离;所提出的MCSD能够充分刻画任意一对多类评分假设之间的关系。通过使用MCSD作为域距离的度量，我们为多类UDA开发了一个新的域适配边界，以及它的依赖于数据的(可能是近似正确的)边界，这自然地提出了对抗性的学习目标来对齐源域和目标域的条件特征分布。因此，一个多类领域对抗学习网络(McDalNets)的算法框架被开发出来，它通过代理学习目标的不同实例与最近流行的一些方法相一致或相似，从而(部分地)强调了它们的实际有效性。在多类UDA理论的基础上，提出了一种新的域对称网络(SymmNets)算法。symmnet提供了简单的扩展，这些扩展在封闭集、部分集或开放集UDA的问题设置下都可以很好地工作。我们进行了仔细的实证研究，以比较不同的算法的McDalNets和我们的新推出的SymmNets。实验结果验证了理论分析的正确性和有效性。我们公开了我们的实现代码。