摘要
在源域存在标注样本而目标域仅有无标注样本的情况下，无监督域自适应旨在学习一个任务分类器，使其能够有效对目标域样本进行分类。近年来的方法主要依赖深度网络的域对抗训练来学习域不变特征。然而，由于任务分类器与域分类器采用分离设计，导致模式崩溃（mode collapse）问题，使得这些方法在对齐跨域特征与类别联合分布方面受到限制。为克服这一瓶颈，本文提出一种新颖的对抗学习方法——判别性对抗域自适应（Discriminative Adversarial Domain Adaptation, DADA）。DADA基于一个融合类别与域分类功能的统一分类器，设计了一种新型对抗目标，促使任意输入实例的类别预测与域预测之间形成相互抑制的关系。我们证明，在实际条件下，该方法可构建一个极小极大博弈（minimax game），从而有效促进跨域联合分布的对齐。除传统的闭集域自适应外，本文还将DADA扩展至更具挑战性的部分域自适应（partial domain adaptation）与开放集域自适应（open set domain adaptation）场景。大量实验验证了所提方法的有效性，在基准数据集上，DADA在上述三种设置下均取得了新的最优性能，达到当前最先进的水平。