摘要
无监督域适应旨在将知识从源域转移到目标域，从而使目标域数据能够在没有显式标签信息的情况下被识别。该问题设定的一个局限性在于，尽管测试数据没有标签，但在训练过程中仍需要来自目标域的测试数据，这阻碍了训练好的模型直接应用于分类未见过的测试实例。我们提出了一种新的跨域分类问题，该问题源自现实场景，其中目标域中有一部分类别的数据（已知类别）具有标签，而我们希望在模型学习完成后能够识别属于任何类别（已知和未知类别）的新样本。这是一个广义零样本学习问题，其中辅助信息以源域中的带标签样本形式提供，而不是传统零样本学习中常用的类别级语义表示。我们提出了一种统一的域适应框架，适用于无监督和零样本学习条件。我们的方法从源域和目标域中学习一个联合子空间，使得两个数据集在该子空间中的投影可以实现域不变性和易于分离。我们使用监督局部保持投影（SLPP）作为关键技术，并在无监督和零样本学习条件下进行了实验，在Office-Caltech、Office31和Office-Home三个域适应基准数据集上取得了最先进的结果。