摘要

领域适应对于在新环境和未见过的环境中进行学习至关重要。通过域对抗训练，深度网络可以学习到解耦且可迁移的特征，有效减少源域和目标域之间的数据集偏移，实现知识转移。在大数据时代，大规模标注数据集的易得性激发了对部分领域适应（Partial Domain Adaptation, PDA）的广泛兴趣，PDA将识别器从一个大规模标注域迁移到一个小规模未标注域。它扩展了标准领域适应方法，适用于目标标签仅为源标签子集的情况。在目标标签未知的情况下，PDA的关键挑战在于如何在共享类别中转移相关示例以促进正向迁移，同时忽略特定类别中的无关示例以减轻负向迁移。在这项工作中，我们提出了一种统一的部分领域适应方法——示例传输网络（Example Transfer Network, ETN），该网络联合学习源域和目标域之间的域不变表示，并采用一种逐步加权方案来量化源示例的可迁移性，同时控制其在目标域学习任务中的重要性。我们在多个基准数据集上进行了详尽的评估，结果表明我们的方法在部分领域适应任务中达到了最先进的水平。