面向无监督持续域偏移学习的互补域适应与泛化

持续域偏移在实际应用中构成重大挑战，尤其在新区划缺乏标注数据的情况下。在此问题设定中获取知识的挑战被称为无监督持续域偏移学习。现有的域适应与域泛化方法在处理该问题时存在局限，因为它们要么侧重于适应特定域，要么侧重于泛化至未见域，而无法兼顾两者。本文提出互补域适应与泛化（CoDAG），一种简洁而有效的学习框架，以互补方式结合域适应与泛化，以实现无监督持续域偏移学习的三个主要目标：适应当前域、泛化至未见域，以及防止对先前所见域的遗忘。我们的方法是模型无关的，即兼容任意现有的域适应与域泛化算法。我们在多个基准数据集上评估 CoDAG，结果表明我们的模型在所有数据集与评估指标上均优于最先进模型，凸显了其在处理无监督持续域偏移学习中的有效性与鲁棒性。