摘要

我们提出了一种名为CHATTY（Coupled Holistic Adversarial Transport Terms with Yield）的新技术，用于无监督域自适应（Unsupervised Domain Adaptation, UDA）。对抗训练通常通过将域判别器头的梯度反向传播至神经网络的特征提取层，来学习域不变的表示。本文对对抗头结构、其训练目标以及分类器头进行了显著改进。为减少类别混淆，我们引入了一个子网络，以可学习的方式对源域与目标域样本的分类器输出进行偏移。我们通过一种新颖的传输损失（transport loss）来控制这一偏移过程，该损失能够将不同类别的聚类在特征空间中进一步分离，从而帮助分类器更清晰地识别源域与目标域的决策边界。将该新损失项与先前提出的若干损失项进行精心组合后，我们在基准数据集上的实验结果显著优于以往的最先进方法。通过消融实验与目标域样本在特征空间中运动轨迹的可视化分析，我们进一步验证了所提损失项的有效性与重要性。