Towards Trustworthy Unsupervised Domain Adaptation: A Representation Learning Perspective for Enhancing Robustness, Discrimination, and Generalization

Robust Unsupervised Domain Adaptation（RoUDA）旨在实现不仅干净而且健壮的跨域知识转移，从标记源域到未标记目标域。许多工作是直接在自我训练流程中注入对抗训练（AT），然后旨在为AT生成更好的对抗性示例（AE）。尽管取得了显着进展，但这些方法只关注如何找到更强的AE，而忽略了如何更好地从这些AE中学习，从而导致不满意的结果。本文从表示学习的角度研究了健壮的UDA，并设计了一种利用互信息理论的新算法，称为MIRoUDA。具体而言，通过互信息优化，MIRoUDA旨在实现健壮性、区分性和泛化性这三个高度期望的特征。然后我们相应地提出了一个双模型框架，用于健壮的UDA学习。在各种基准测试上进行了广泛的实验，验证了所提出的MIRoUDA的有效性，其中我们的方法大大超过了现有技术水平。

本文旨在从表示学习的角度探讨鲁棒的无监督领域自适应（Robust Unsupervised Domain Adaptation，RoUDA）问题，通过利用互信息理论设计了一种新算法MIRoUDA，旨在实现鲁棒性、区分度和泛化性三个特征。

本文的关键思路是通过互信息优化设计了MIRoUDA算法，实现了鲁棒的无监督领域自适应。

本文提出了一种新的算法MIRoUDA，通过实验验证了其在各种基准测试中的有效性，超过了目前的最新技术。本文的亮点在于提出了一种新的表示学习的角度来解决RoUDA问题，并提出了一种新的算法。

在最近的研究中，一些直接将对抗性训练（AT）注入到基于自我训练流程的UDA中的方法已经被研究。此外，还有一些与RoUDA相关的研究，如DANN、CDAN、MDD等。