摘要
近年来，无监督域自适应方法广泛利用源域与目标域之间的邻域空间（vicinal space）。然而，标签平衡崩溃（equilibrium collapse of labels）这一问题——即在邻域实例的预测中，源域标签占据主导地位，导致目标域标签被忽视——尚未得到有效解决。本文提出一种实例级极小极大（instance-wise minimax）策略，通过最小化邻域空间中高不确定性实例的熵，以应对上述问题。我们通过求解极小极大问题，将邻域空间划分为两个子空间：对比空间（contrastive space）与共识空间（consensus space）。在对比空间中，通过约束实例具备对比性视图与标签，有效缓解域间差异；在共识空间中，则通过增强同类域内类别的一致性，降低类别间的混淆。所提方法在多个公开基准数据集上进行了验证，包括 Office-31、Office-Home 和 VisDA-C，均取得了当前最优的性能表现。此外，我们在 PACS 数据集上的实验进一步表明，该方法在多源域自适应场景下也显著优于现有最先进方法，验证了其在实例级建模上的有效性。代码已开源，地址为：https://github.com/NaJaeMin92/CoVi。