摘要
根据标签集和域配置的不同，存在多种域适应（Domain Adaptation, DA）场景，包括闭集和部分集域适应，以及多源和多目标域适应。值得注意的是，现有的DA方法通常仅针对特定场景设计，在非针对性场景中可能表现不佳。为此，本文研究了多功能域适应（Versatile Domain Adaptation, VDA），旨在通过一种无需任何修改即可应对多种不同DA场景的方法。为了实现这一目标，除了域对齐之外，还需要探索更为通用的归纳偏置。我们深入探讨了现有方法中的一个缺失环节：类别混淆，即分类器在目标样本上容易将正确类与模糊类之间的预测混淆，这是在不同DA场景中常见的问题。我们发现减少这种成对的类别混淆可以显著提高迁移性能。基于这一洞察，我们提出了一种通用损失函数：最小类别混淆（Minimum Class Confusion, MCC）。该方法可描述为：(1) 一种非对抗性的DA方法，无需显式部署域对齐，具有更快的收敛速度；(2) 一种多功能的方法，能够处理四种现有场景：闭集、部分集、多源和多目标域适应，并在这四个场景中超越了当前最先进的方法，特别是在迄今为止规模最大且难度最高的数据集之一DomainNet上表现尤为突出（提高了7.3%）。其多功能性进一步得到了本文提出的两个新场景的支持：多源部分集域适应和多目标部分集域适应。此外，MCC还可以作为与多种现有DA方法正交且互补的通用正则化器使用，加速收敛并提升这些已具备竞争力的方法至更强水平。代码可在https://github.com/thuml/Versatile-Domain-Adaptation 获取。