摘要
域对抗学习通过在源域和目标域之间对齐特征分布来实现，这一过程类似于一个双人极小极大博弈。现有的域对抗网络通常假设不同域之间的标签空间是相同的。在大数据背景下，将深度模型从已知的大规模域迁移到未知的小规模域具有强烈的动机。本文引入了部分域适应作为新的域适应场景，该场景放宽了完全共享标签空间的假设，即源域的标签空间包含目标域的标签空间。以往的方法通常试图将整个源域与目标域进行匹配，这在部分域适应问题中容易导致负迁移，因为标签空间之间存在较大的不匹配。我们提出了部分对抗域适应（Partial Adversarial Domain Adaptation, PADA），该方法通过降低异常源类数据的权重来同时减轻负迁移，并通过在共享标签空间内对齐特征分布来促进正迁移。实验结果表明，PADA在多个数据集的部分域适应任务上超过了现有最先进方法的结果。