摘要
通用域适应（Universal Domain Adaptation, UniDA）旨在将源域的知识迁移到目标域，且对标签集合不设任何限制。由于源域与目标域均可能包含私有类别，因此在域对齐过程中识别出目标域中的共有样本成为关键问题。现有大多数方法依赖于人工设定或手动调优的阈值来检测共有样本，这使得它们难以推广至更具现实意义的UniDA场景，尤其是在共有类别比例差异较大的情况下。此外，这些方法无法区分目标域私有样本中的不同类别，因为它们将所有私有样本视为整体进行处理。本文提出一种基于最优传输（Optimal Transport, OT）的统一框架——UniOT，以解决上述问题。首先，我们设计了一种基于OT的自适应填充部分对齐方法，无需预设阈值即可自动识别共有类别。该方法能够基于OT求解所得分配矩阵的统计特性，自动发现共有类别与私有类别之间的内在差异。其次，我们提出一种基于OT的目标域表示学习机制，旨在增强样本的全局判别性与局部一致性，从而避免对源域的过度依赖。值得注意的是，UniOT是首个能够自动发现并识别目标域中私有类别的UniDA方法。为此，我们引入了一种新的评估指标——H³-score，用于综合衡量共有样本的分类准确率以及私有样本的聚类性能。大量实验结果充分证明，UniOT在广泛的前沿方法中展现出显著优势，显著提升了UniDA任务的整体性能。