从混沌到有序：基于标签传播的无源域自适应视角

无源域自适应(SFDA)仅利用预训练源模型来适应目标分布，是在现实世界中实现域自适应的更具通用性的方法。然而，由于目标域缺乏监督信息，准确捕捉目标特征的内在结构颇具挑战。通过分析目标特征的聚类性能，我们发现它们仍包含与判别属性相关的核心特征，但缺乏语义信息的整理。受此启发，我们提出Chaos to Order (CtO)，一种用于SFDA的新方法，力求约束语义可信度并在目标子群体间传播标签信息。CtO基于学习状态的自适应阈值将目标数据划分为内部样本与离群样本，定制学习策略以最佳契合数据属性。具体而言，内部样本因其相对良好的聚类特性被用于学习类内结构。低密度离群样本通过输入一致性正则化，以针对真实标签实现高准确率。在CtO中，通过采用不同学习策略将标签从内部局部传播至离群实例，它将全局样本从混沌聚类为有序。我们进一步自适应调节内部样本的邻域亲和度以约束局部语义可信度。在理论与实证分析中，我们证明我们的算法不仅从内部传播至离群，还防止局部聚类形成伪簇。实证证据表明，CtO在三个公开基准Office-31、Office-Home和VisDA上优于当前最优方法。