摘要

我们提出一种面向无监督域适应的方法，从类别条件域对齐的视角出发，重点关注域内类别不平衡与域间类别分布偏移等实际问题。当前的类别条件域对齐方法旨在通过目标域的伪标签估计，显式地最小化损失函数。然而，这类方法容易受到伪标签偏差的影响，导致误差累积问题。为此，我们提出一种新方法，无需直接对基于伪标签的模型参数进行显式优化。相反，我们引入一种基于采样的隐式对齐机制，其中样本选择过程由伪标签隐式引导。理论分析揭示，在未对齐类别中存在一种域判别器捷径（domain-discriminator shortcut），而所提出的隐式对齐方法能够有效缓解该问题，从而促进域对抗学习的进行。实验结果与消融研究充分验证了该方法的有效性，尤其在面对域内类别不平衡及域间类别分布偏移时表现突出。