近日，实验室2022级博士生苏皖的一篇论文“Neighborhood-based Credibility Anchor Learning for Universal Domain Adaptation”（作者：苏皖，韩忠义，何润东，魏本征，何雪英，尹义龙）被期刊Pattern Recognition录用。Pattern Recognition是模式识别领域的顶级期刊，属于中科院一区和CCF B类期刊。

通用域适应(Universal domain adaptation, UniDA)的目的是在存在分布差异和类别未知的情况下，将知识从源域迁移到目标域。大多数现有的方法都是基于阈值设计的方法，通过精心设计的阈值来拒绝目标域私有类，这对于不确定性评分函数非常敏感。为了克服这一问题，一些无阈值的方法被提出，但忽略了目标域的邻域结构信息，导致其在目标域上的性能较差。在本文中，我们提出了基于邻域的可信度锚点学习(NCAL)，这是一种新的无阈值框架，它充分挖掘邻域结构信息，以探索更好的目标域结构。NCAL包含三个关键组件：类锚点学习模块用来学习目标域的类别分布，可信度加权的条件对抗模块用来学习公共类的类不变特征，以及开集邻域聚类模块用来学习聚类性能良好的特征。大量的实验表明，我们的方法优于最先进的方法。