摘要
在无监督域适应（Unsupervised Domain Adaptation, UDA）中，学习如何拒绝目标域中未包含于源域类别中的未知样本，具有重要意义。目前存在两种典型的UDA场景：开放集（open-set）和开放部分集（open-partial-set）。其中，开放部分集场景假设源域中的部分类别在目标域中并不存在。然而，大多数现有方法仅针对某一特定UDA场景设计，在另一场景下性能显著下降。此外，这些方法通常需要在适应过程中使用带标签的源域数据，限制了其在数据隐私敏感场景中的应用。为解决上述问题，本文提出一种通用域适应框架——通用模型域适应（Universal Model ADaptation, UMAD），该框架无需访问源域数据，也无需预先知晓域间类别分布的变化，即可同时应对开放集与开放部分集两种UDA场景。具体而言，我们设计了一种结构精巧的双头分类器，用于学习一个源域模型，并将其迁移至目标域。在适应阶段，我们引入一种信息量丰富的一致性评分机制，以有效区分已知样本与未知样本。为进一步实现目标域中的双向适应，我们通过最大化局部互信息，将已知样本与源域分类器对齐；同时，采用熵正则化损失，促使未知样本远离源域分类边界。在开放集与开放部分集UDA场景下的大量实验表明，UMAD作为一种无需访问源数据的统一方法，其性能可与当前最先进的依赖源数据的方法相媲美，甚至在多数情况下表现更优。