DRST：DRST代码

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。 因此，即使目标标签不可用，DRL也可以在目标域中提供保守的置信度估计。 这种保守性促使人们在选择样本的自训练中使用DRL，因此我们将这种方法称为“分布稳健的自训练（DRST）”。 在我们的实验中，DRST生成了更多的校准概率，并在基准数据集上实现了最新的自训练精度。 我们证明DRST可以更有效地