开放集领域自适应OSDA（十三）：Positive-unlabeled learning for open set domain adaptation

---

前言

• 文章来自2020年的PR letters
• 本文是本人开放集领域自适应OSDA系列论文的第13篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，希望各位大佬们不吝点赞，给个Star哦~

---

摘要

• 开放集域适应(OSDA)侧重于弥合标记源do- main和未标记目标域之间的域差距，同时也拒绝源中不作为未知存在的目标类。这项任务的挑战与那些积极-未标记(PU)学习密切相关，它是至关重要的区别积极(已知)和消极(未知)类样本在未标记的目标数据。有了这个新发现的联系，我们利用了OSDA的PU学习理论框架，同时，我们扩展了PU学习，以解决数据分布不均的问题。我们的方法将领域对抗学习与一种新的基于自监督样本重构的非负风险估计相结合。通过数字识别和目标分类的实验，我们验证了我们的风险估计，并证明我们的方法可以在不受负迁移影响的情况下缩小域间隙。

1 Introduction

• 获取和注释大量特定于应