摘要
通用域自适应（Universal Domain Adaptation, UNDA）旨在应对两个数据集之间同时存在的域偏移（domain-shift）与类别偏移（category-shift）问题。其主要挑战在于：在迁移知识的同时，需有效识别并排除在有标签源数据中不存在、却出现在无标签目标数据中的未知类别。现有方法通常通过人工设定阈值来剔除未知样本，该阈值基于验证集结果或预设的未知样本比例，但这一策略在实际应用中缺乏可行性。本文提出一种新方法，通过源域样本学习最优阈值，并将其自适应地迁移至目标域。核心思想是：源域中类间最小距离可作为判断目标域样本是否为已知类别的理想阈值。为学习类间与类内距离，我们采用有标签的源数据，为每一类别训练一个“一对所有”（one-vs-all）分类器。随后，通过最小化类别熵的方式，将该开放集分类器适应至目标域。所提出的框架在所有UNDA基线方法中结构最为简洁，且对超参数的取值不敏感，同时在性能上显著超越现有基线方法。