Einheitlicher optimaler Transport-Framework für universelle Domänenanpassung

Universal Domain Adaptation (UniDA) zielt darauf ab, Wissen von einer Quell- auf eine Zieldomäne zu übertragen, ohne Einschränkungen hinsichtlich der Labelmengen zu unterliegen. Da beide Domänen möglicherweise private Klassen enthalten, stellt die Identifizierung von Zielgemeinsamen Beispielen für die Domänenalignment eine zentrale Herausforderung in UniDA dar. Die meisten bestehenden Methoden erfordern manuell festgelegte oder handkodiert abgestimmte Schwellenwerte zur Erkennung gemeinsamer Beispiele, wodurch sie aufgrund der unterschiedlichen Anteile gemeinsamer Klassen schwer auf realistischere UniDA-Szenarien übertragbar sind. Darüber hinaus können sie keine Unterscheidung zwischen verschiedenen Kategorien innerhalb der Ziel-privaten Beispiele treffen, da diese als einheitliche Gruppe betrachtet werden. In diesem Artikel schlagen wir vor, Optimal Transport (OT) innerhalb eines einheitlichen Rahmens – namens UniOT – einzusetzen, um diese Probleme zu lösen. Zunächst wird ein OT-basierter partieller Alignment-Ansatz mit adaptiver Auffüllung entworfen, der gemeinsame Klassen ohne vordefinierte Schwellenwerte erkennt und somit realistische UniDA-Szenarien effektiv unterstützt. Dieser Ansatz kann automatisch die inhärente Unterscheidung zwischen gemeinsamen und privaten Klassen basierend auf der statistischen Struktur der aus dem OT gewonnenen Zuordnungs-Matrix identifizieren. Zweitens schlagen wir eine OT-basierte Lernmethode für die Zielrepräsentation vor, die sowohl globale Diskriminierbarkeit als auch lokale Konsistenz der Beispiele fördert und somit eine Überanpassung an die Quelldomäne vermeidet. Besonders hervorzuheben ist, dass UniOT die erste Methode ist, die in der Lage ist, automatisch private Kategorien in der Zieldomäne zu erkennen und zu klassifizieren. Dementsprechend führen wir ein neues Evaluationsmaß, den H^3-Score, ein, das sowohl die Genauigkeit gemeinsamer Beispiele als auch die Clustering-Leistung privater Klassen berücksichtigt. Umfangreiche Experimente zeigen eindeutig die Überlegenheit von UniOT gegenüber einer Vielzahl von state-of-the-art-Methoden in der UniDA.