自主源知识选择：多域适应中的自主学习方法
机器学习
2025-12-18 v1 人工智能
摘要
无监督多域适应作为迁移学习中的关键技术，利用来自多个源域的丰富信息来解决来自无标记目标域的任务。然而，多个源域常包含大量冗余或无关信息，这在大规模源域设置下会严重损害迁移性能。亟需开发有效策略，从大量源域中识别并选择最具迁移潜力的知识以解决目标任务。本文提出一种名为AutoS（Autonomous Source Knowledge Selection）的多域适应方法，通过自主选择源训练样本和模型，实现使用更相关且更具迁移潜力的源信息进行目标任务预测。该方法采用基于密度的选择策略，在训练期间选择源样本，并确定哪些源模型应贡献于目标预测。同时，构建于预训练多模态模型上的伪标签增强模块用于缓解目标标签噪声并提高自监督性能。实验表明，所提方法在实际数据集上表现优异。
引用
@article{arxiv.2512.14710,
title = {Autonomous Source Knowledge Selection in Multi-Domain Adaptation},
author = {Keqiuyin Li and Jie Lu and Hua Zuo and Guangquan Zhang},
journal= {arXiv preprint arXiv:2512.14710},
year = {2025}
}