監視されていないドメイン適応のための進歩的な決定境界シフト

監視されていないドメイン適応（UDA）は、ターゲットドメインのタスク固有の一般化を強化するために、研究者からより多くの注目を集めています。ラベル付きのソースドメインと無効なターゲットドメインとの間のドメインシフトに対処することに焦点を当てています。最近のバイカラシファイアベースのUDAモデルは、カテゴリレベルのアラインメントを実行してドメインシフトを減らし、ターゲットインスタンスの識別性を改善するためにセルフトレーニングが使用されます。ただし、セマンティックな不確実性が高いインスタンスのエラー蓄積の問題は、識別性の低下とカテゴリレベルの不整合を引き起こす可能性があります。この問題を解決するために、ターゲットドメインで識別性構造を学習するためにターゲットインスタンスの安定したカテゴリ情報が検討されているプログレッシブ決定境界シフトシフトアルゴリズムを設計します。具体的には、最初に、カテゴリの決定境界を徐々にシフトすることにより、インスタンスのセマンティックな不確実性をモデル化します。次に、不確実性のデカップリングを対照的な分離を導入します。ここでは、識別情報は、たとえば、セマンティックの不確実性が低いため、ソースドメインから学習されます。さらに、予測の信頼性を低下させるために、セマンティックな不確実性が高いインスタンスの予測エントロピーを最小限に抑えます。3つの一般的なデータセットでの広範な実験は、私たちのモデルが現在の最先端（SOTA）UDAメソッドを上回ることを示しています。

Unsupervised domain adaptation (UDA) is attracting more attention from researchers for boosting the task-specific generalization on target domain. It focuses on addressing the domain shift between the labeled source domain and the unlabeled target domain. Recent biclassifier-based UDA models perform category-level alignment to reduce domain shift, and meanwhile, self-training is used for improving the discriminability of target instances. However, the error accumulation problem of instances with high semantic uncertainty may cause discriminability degradation and category-level misalignment. To solve this issue, we design the progressive decision boundary shifting algorithm, where stable category information of target instances is explored for learning a discriminability structure on target domain. Specifically, we first model the semantic uncertainty of instances by progressively shifting decision boundaries of category. Then, we introduce the uncertainty decoupling in a contrastive manner, where the discriminative information is learned from the source domain for instance with low semantic uncertainty. Furthermore, we minimize the predictive entropy of instances with high semantic uncertainty to reduce their prediction confidence. Extensive experiments on three popular datasets show that our model outperforms the current state-of-the-art (SOTA) UDA methods.