近日，实验室2019级博士生韩忠义一篇论文“SNAIL: Semi-Separated Uncertainty Adversarial Learning for Universal Domain Adaptation”（作者：韩忠义，苏皖，何润东，尹义龙）被亚洲机器学习会议ACML录用，是TIME实验室第一篇ACML论文。

通用域自适应是一种无监督域自适应新问题，处理了源域或目标域中出现私有类（新类）的现实情况。其天生的挑战是在测试阶段检测出目标域私有类样本。现有的开拓性方法大多是模型依赖的，通过巧妙地设计各种评分标准，利用模型输出的不确定性，实现私有类样本的精准检测。但是，评分标准往往需要非常敏感和任务相关的阈值，拓展性和鲁棒性较差。为了绕过这一痛点，该研究提出了半分离式不确定性对抗学习（SNAIL），建立了一种半分离式不确定性决策者，以实现无需阈值的私有类检测。该研究提出了不确定性分离损失，以扩大共有类和私有类之间的不确定性间隔。此外，强行分布对齐可能会错误地将共有类与私有类配准，该研究设计了一种条件加权对抗损失，有选择地匹配源域和目标域特征分布。大量实验表明，SNAIL明显胜过现有的通用域自适应方法，在有些任务上，私有类检测的精度提高了25％。