用于未经监督的域自适应的分布式稳健学习 介绍 我们提出了一种针对无监督域自适应（UDA）的分布式鲁棒学习（DRL）方法，该方法可扩展至现代计算机视觉基准。 DRL可以自然地公式化为预测变量和对手之间的竞争性两人游戏，允许其破坏标签，受到某些限制，并减少到在源域和目标域之间合并密度比（在标准对数丢失的情况下） ）。 这种表述激励了两个神经网络的共同使用-除了标准分类网络之外，这两个神经网络是源域和目标域之间的区分性网络，用于密度比估算。 在DRL中使用密度比可以防止模型对远离源域的目标输入过于自信