摘要
无监督域自适应旨在将带标签的源域知识迁移至无标签的目标域。以往的对抗性域自适应方法大多采用输出为二分类或 $K$ 维的判别器，分别独立实现边缘分布或条件分布的对齐。近期实验表明，当判别器同时接收两个域的域信息以及源域的类别信息时，能够有效保留两个域中复杂的多模态特征与高语义信息。基于这一观察，本文设计了一个输出维度为 $2K$ 的判别器，实现域级与类别级对齐在单一判别器中的联合优化。然而，单一判别器难以充分捕捉跨域间的全部有用信息，且以往研究极少关注样本与决策边界之间的关系。受多视角学习及域自适应领域最新进展的启发，除了判别器与特征提取器之间的对抗过程外，本文还提出一种新颖机制，使两个判别器相互对抗，从而彼此提供多样化信息，避免目标域特征偏离源域支撑集。据我们所知，这是首次在域自适应任务中探索双重对抗策略。此外，本文还引入半监督学习正则化项，以增强特征表示的判别能力。在两个真实世界数据集上的大量实验结果表明，所提方法在性能上优于多种当前最先进的域自适应方法。