面向域偏移与源隐私保护的原型导向聚类
机器学习
2023-02-10 v2 密码学与安全
摘要
域偏移下的无监督聚类（UCDS）研究如何将来自多个源域的大量无标签数据的知识迁移，以学习目标域中无标签数据的表示。本文提出原型导向蒸馏聚类（PCD），不仅提升现有 UCDS 方法的性能与适用性，还解决源域数据与模型隐私保护问题。PCD 首先通过对齐原型与数据分布构建源聚类模型，随后通过源模型提供的簇标签将知识蒸馏至目标模型，同时聚类目标数据，最后在无源模型指导下于目标域数据上精炼目标模型。跨多个基准的实验表明了我们源隐私保护聚类方法的有效性与泛化能力。
引用
@article{arxiv.2302.03807,
title = {A Prototype-Oriented Clustering for Domain Shift with Source Privacy},
author = {Korawat Tanwisuth and Shujian Zhang and Pengcheng He and Mingyuan Zhou},
journal= {arXiv preprint arXiv:2302.03807},
year = {2023}
}