摘要

本文针对无监督域适应问题，特别关注目标域的类别标签仅为源域类别子集的场景。这种部分域适应（partial domain adaptation）设定具有现实意义，但同时也极具挑战性，现有方法普遍面临两大核心问题：负迁移（negative transfer）与不确定性传播（uncertainty propagation）。为此，本文在域对抗学习的基础上，提出一种新型域适应方法——BA$^3$US，引入两项新机制：平衡对抗对齐（Balanced Adversarial Alignment, BAA）与自适应不确定性抑制（Adaptive Uncertainty Suppression, AUS）。一方面，负迁移会导致目标域样本被错误分类至仅存在于源域中的类别。为缓解该问题，BAA通过一种简洁有效的方式实现跨域标签分布的平衡：在域对齐过程中，随机选取少量源域样本对较小的目标域进行数据增强，从而使不同域中的类别分布趋于对称。另一方面，当某个源域样本的预测结果中存在一个错误类别具有相对较高的置信度时，该样本即被视为不确定样本。此类不确定性在域对齐过程中极易向邻近的无标签目标样本传播，严重损害域适应性能。为此，本文提出AUS机制，重点聚焦于不确定样本，并引入一种自适应加权补熵（complement entropy）目标函数，促使错误类别获得均匀且较低的预测得分，从而有效抑制不确定性传播。在多个基准数据集上的实验结果表明，所提出的BA$^3$US方法在部分域适应任务中显著优于现有最先进方法。代码已公开，获取地址为：\url{https://github.com/tim-learn/BA3US}。