对抗性多源域适应

尽管领域自适应技术已受到广泛关注，但现有大多数算法主要集中于单源单目标自适应场景。本文在分类与回归两种设定下，针对无监督多源领域自适应问题，提出了新的泛化界理论及相应的算法。我们的理论分析自然地引导出一种基于对抗神经网络的高效学习策略：我们阐明了如何将该方法理解为学习在多个领域偏移下保持不变，同时仍具备任务判别能力的特征表示。为此，我们提出了多源领域对抗网络（Multisource Domain Adversarial Networks, MDAN），该方法通过优化任务自适应的泛化界来实现领域自适应。为验证MDAN的有效性，我们开展了大量实验，结果表明其在分类与回归任务中均表现出优越的适应性能，涵盖情感分析、数字图像分类以及车辆计数等典型应用场景。