摘要
无监督域适应（Domain Adaptation, DA）旨在仅提供源域标记样本和目标域未标记样本的情况下，对目标实例进行分类。学习域不变特征有助于实现这一目标，尤其是在单个或多个明确的目标域（多目标域适应，Multi-target DA）中抽取未标记样本时。本文考虑了一种更为现实的迁移场景：我们的目标域由多个子目标域隐式混合而成，使得学习者无法识别每个未标记样本属于哪个子目标。这种混合目标域适应（Blending-target Domain Adaptation, BTDA）场景在实际应用中普遍存在，并且由于这些隐藏子目标之间的域差距和类别错位，威胁到了大多数现有DA算法的有效性。为了在这种新的场景下获得迁移性能的提升，我们提出了对抗元适应网络（Adversarial Meta-Adaptation Network, AMEAN）。AMEAN包含两个对抗迁移学习过程。第一个过程是传统的对抗迁移，用于连接源域和混合目标域。为了解决目标内部类别的错位问题，第二个过程表现为“学习以适应”：它部署了一个无监督元学习器接收目标数据及其正在进行的特征学习反馈，以发现作为“元子目标”域的目标聚类。这些元子目标自动设计了我们的元子目标DA损失函数，从而在实验上消除了混合目标中的隐式类别不匹配问题。我们在三个基准数据集上评估了AMEAN以及多种DA算法在BTDA设置下的表现。实证结果表明，对于大多数现有的DA算法而言，BTDA是一个极具挑战性的迁移设置；然而，AMEAN显著优于这些最先进的基线方法，并有效地抑制了BTDA中的负迁移效应。