摘要
通用领域自适应（Universal Domain Adaptation, UniDA）旨在将标签丰富的源域中所学习的知识迁移至标签稀缺的目标域，且不对标签空间施加任何约束。然而，领域偏移（domain shift）与类别偏移（category shift）使得UniDA面临巨大挑战，其核心问题在于如何同时识别共有的“已知”样本与私有的“未知”样本。以往方法普遍忽视了两个域之间的内在几何关系，且通常通过手动设定阈值来处理闭世界分类器的过度自信问题，以拒绝“未知”样本。为此，本文提出一种基于几何锚点引导的对抗性与对比学习框架，并融合不确定性建模，命名为GATE（Geometric anchor-guided Adversarial and conTrastive learning with uncErtainty modeling）。具体而言，我们首先设计了一种基于随机游走的锚点挖掘策略，结合高阶注意力机制，以建立跨域间的对应关系。随后，提出一种全局联合局部域对齐范式：通过几何对抗学习实现全局分布校准，利用子图级别的对比学习促进局部区域的特征聚合。为实现对目标域私有样本的精准检测，GATE引入一种通用增量分类器，通过建模能量不确定性来增强识别能力。此外，我们进一步通过流形混合（manifold mixup）高效生成新类别，并最小化开集熵（open-set entropy），以自适应地学习“未知”样本的判定阈值。在三个基准数据集上的大量实验表明，GATE显著优于现有的最先进UniDA方法，展现出卓越的性能与鲁棒性。