摘要
在无监督域适应中，众所周知，通过共享输入表示使源域和目标域无法区分，可以证明目标域误差会减少。最近的研究表明，不仅匹配边缘输入分布，输出（类别）分布的对齐也至关重要。后者可以通过最小化预测器（分类器）的最大差异来实现。本文采用了这一原则，但提出了一种更为系统和有效的方法，通过高斯过程（Gaussian Processes, GP）实现假设一致性。高斯过程允许我们从潜在随机函数的后验分布中定义/诱导分类器的假设空间，将学习转化为一个简单的后验大间隔分离问题，比以往基于对抗极小极大优化的方法更容易解决。我们设计了一个学习目标，有效地推动后验分布最小化最大差异。进一步研究表明，这等同于最大化目标域类别预测的间隔并最小化不确定性，这是经典（半）监督学习中一个广为接受的原则。实验结果表明，我们的方法在多个基准域适应数据集上与现有方法相当或更优。