摘要

对抗学习在无监督域自适应（Unsupervised Domain Adaptation, UDA）任务中取得了显著成果。现有的对抗式UDA方法通常采用一个额外的判别器，与特征提取器进行最小-最大博弈。然而，大多数现有方法未能有效利用预测的判别性信息，导致生成器出现模式崩溃（mode collapse）问题。本文从一个全新的视角出发，提出了一种简洁而高效的对抗学习范式——无判别器对抗学习网络（Discriminator-Free Adversarial Learning Network, DALN）。在该框架中，类别分类器被重新用作判别器，通过统一的目标函数实现显式的域对齐与类别可分性，从而充分挖掘预测的判别性信息，促进特征的充分对齐。具体而言，本文提出一种具有明确指导意义的核范数Wasserstein差异（Nuclear-norm Wasserstein Discrepancy, NWD），用于指导判别过程。该NWD可直接与分类器结合，构成满足K-Lipschitz约束的判别器，且无需额外的权重裁剪或梯度惩罚策略。在不依赖复杂技巧的前提下，DALN在多个公开数据集上均显著优于现有的最先进（State-of-the-Art, SOTA）方法。此外，作为一种即插即用的技术，NWD可直接作为通用正则化项，无缝集成至现有UDA算法中以提升性能。代码已开源，地址为：https://github.com/xiaoachen98/DALN。