摘要
现有的大多数无监督域自适应（Unsupervised Domain Adaptation, UDA）方法主要针对仅存在数据分布偏移（data distribution shift）的场景，而在面临额外的跨域标签分布偏移（cross-domain label distribution shift）时，其性能表现有限。近期基于目标域伪标签的自训练方法虽展现出一定潜力，但在面对剧烈分布偏移时，伪标签可能高度不可靠，若直接用于自训练，易引发误差累积与域错配问题。为此，我们提出一种名为“基于委员会一致性选择性熵优化”（Selective Entropy Optimization via Committee Consistency, SENTRY）的UDA算法。该方法通过评估目标样本在一组随机图像变换构成的“委员会”下的预测一致性，来判断其预测可靠性。在此基础上，算法对预测一致性高的目标样本，选择性地最小化其预测熵以增强模型置信度；而对于预测一致性低的样本，则最大化其预测熵以降低置信度。结合基于伪标签的近似目标类别平衡策略，SENTRY在标准UDA基准测试中的31个域迁移任务中，有27个实现了显著优于当前最先进方法的性能；同时在专为测试标签分布偏移下适应能力而设计的挑战性基准上，也展现出卓越的鲁棒性与泛化能力。