無監(jiān)督域適應(yīng)（ Unsupervised Domain Adaptation，UDA）是一類新興的機器學習范式，其通過對源域知識在無標記標堿上的遷移利用，來促進目標域模型的訓練。為建模源域與目標域之間的域分布差異，最大均值差異（Maxiπ um Mean discrepancy，MMD）建模被廣泛應(yīng)用，其對UDA的性能提升起到了有效的促進作用。然而，這些方法通常忽視了領(lǐng)域之間對應(yīng)類規(guī)模與類分布等結(jié)構(gòu)信息，因為目標堿與源堿的數(shù)據(jù)類規(guī)模與數(shù)據(jù)分布通常并非一致。為此，文中提岀了一種基于跨域類和數(shù)據(jù)樣本雙重加權(quán)的無監(jiān)督域適應(yīng)模型（ Sample weighted and Class weighted based Unsupervised Domain Adaptation Network，SCUDAN）。具體而言，一方面，通過源域類層面的適應(yīng)性加權(quán)來調(diào)整源域類權(quán)重，以實現(xiàn)源域與目標域之間的類分布對齊;另方面，通過目標域樣本層面的適應(yīng)性加權(quán)來調(diào)整目標域樣本權(quán)重，以實現(xiàn)目標堿與源域類中心的對齊。此外，文中還提出了種CEM（ Classification Expectation Maximization）優(yōu)化算法，以實現(xiàn)對 SCUDAN的優(yōu)化求解。最后，通過對比實驗和分析，驗正了所提模型和算法的有效性。