摘要

深度学习方法在无监督领域适应中展现出巨大潜力，其目标是利用带有标签的源域数据来学习一个分类器，以应用于具有不同分布的未标记目标域。然而，这些方法通常通过学习一个领域不变的表示空间来匹配源域和目标域的边缘分布，而忽略了它们的细粒度结构。本文提出了一种名为“教师指导下的聚类对齐（Cluster Alignment with a Teacher, CAT）”的方法用于无监督领域适应，该方法可以有效地结合两个领域的判别聚类结构，从而实现更好的适应效果。具体而言，CAT 利用一个隐式集成教师模型可靠地发现未标记目标域特征空间中的类别条件结构。随后，CAT 促使源域和目标域的特征形成判别性的类别条件聚类，并跨领域对齐相应的聚类。实验结果表明，CAT 在多个无监督领域适应场景中达到了最先进的性能。