双专家协作学习：面向无源无监督域适应
计算机视觉与模式识别
2025-10-07 v2
摘要
无源无监督域适应（SFUDA）解决了将源域训练好的模型适配到目标域且无法访问源数据的现实挑战，其驱动力来自对隐私和成本的担忧。现有的SFUDA方法要么仅利用源模型的预测，要么微调大型多模态模型，但两者都忽略了互补信息和目标数据的潜在结构。在本文中，我们提出了专家协同学习（EXCL）。EXCL包含双专家框架和检索增强交互优化流水线。双专家框架将冻结的源域模型（增强卷积适配器）和预训练视觉语言模型（带有可训练文本提示）置于同等地位，以从未标记的目标样本中挖掘共识知识。为了在纯无监督条件下有效训练这些即插即用模块，我们引入了检索增强交互（RAIN），一个三阶段流水线：(1) 协作检索伪源样本和复杂目标样本，(2) 分别在各自样本集上微调每个专家，(3) 通过共享学习结果强制学习对象一致性。在四个基准数据集上的广泛实验表明，我们的方法达到了最先进的性能。
引用
@article{arxiv.2509.22229,
title = {A Tale of Two Experts: Cooperative Learning for Source-Free Unsupervised Domain Adaptation},
author = {Jiaping Yu and Muli Yang and Jiapeng Ji and Jiexi Yan and Cheng Deng},
journal= {arXiv preprint arXiv:2509.22229},
year = {2025}
}