摘要
无监督域适应的目标是利用标记源域中的知识来提高模型在未标记目标域中的学习性能——其基本策略是减轻两个分布之间差异的影响。大多数现有算法只能处理无监督闭集域适应（UCSDA），即假设源域和目标域具有相同的标签集。本文针对一个更具挑战性但更现实的场景：无监督开集域适应（UOSDA），在这种情况下，目标域中存在未知类别，而这些类别在源域中并不存在。这是首次为开集域适应提供学习边界的研究，我们通过理论分析目标分类器在未知类别上的风险来实现这一点。所提出的学习边界包含一个特殊项，即开集差异，这反映了目标分类器在未知类别上的风险。此外，我们提出了一种新的且有理论指导的无监督开集域适应算法，称为带开集差异的分布对齐（DAOD），该算法基于正则化这一开集差异边界。实验结果表明，所提出的UOSDA方法在多个基准数据集上相比文献中的最新方法表现出优越的性能。