無(wú)監(jiān)督域適應(yīng)（ Unsupervised Domain Adaptation，UDA）是一類(lèi)新興的機(jī)器學(xué)習(xí)范式，其通過(guò)對(duì)源域知識(shí)在無(wú)標(biāo)記標(biāo)堿上的遷移利用，來(lái)促進(jìn)目標(biāo)域模型的訓(xùn)練。為建模源域與目標(biāo)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(duì)UDA的性能提升起到了有效的促進(jìn)作用。然而，這些方法通常忽視了領(lǐng)域之間對(duì)應(yīng)類(lèi)規(guī)模與類(lèi)分布等結(jié)構(gòu)信息，因?yàn)槟繕?biāo)堿與源堿的數(shù)據(jù)類(lèi)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(lèi)和數(shù)據(jù)樣本雙重加權(quán)的無(wú)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(guò)源域類(lèi)層面的適應(yīng)性加權(quán)來(lái)調(diào)整源域類(lèi)權(quán)重，以實(shí)現(xiàn)源域與目標(biāo)域之間的類(lèi)分布對(duì)齊;另方面，通過(guò)目標(biāo)域樣本層面的適應(yīng)性加權(quán)來(lái)調(diào)整目標(biāo)域樣本權(quán)重，以實(shí)現(xiàn)目標(biāo)堿與源域類(lèi)中心的對(duì)齊。此外，文中還提出了種CEM（ Classification Expectation Maximization）優(yōu)化算法，以實(shí)現(xiàn)對(duì) SCUDAN的優(yōu)化求解。最后，通過(guò)對(duì)比實(shí)驗(yàn)和分析，驗(yàn)正了所提模型和算法的有效性。