CoSDA：持续无源域自适应
机器学习
2023-04-14 v1 计算机视觉与模式识别
摘要
在无源域自适应（SFDA）中，无需访问源数据，即可将源域训练模型的知识迁移到目标域。近年来，由于保护源域数据隐私的需求，SFDA 日益流行，但由于缺乏数据，它在源域上遭受灾难性遗忘。为系统研究灾难性遗忘的机制，我们首先在一个统一框架内重新实现以往的 SFDA 方法，并在四个基准上评估它们。我们观察到适应增益与遗忘损失之间存在权衡，这促使我们设计一致性正则化来缓解遗忘。具体而言，我们提出一种名为 CoSDA 的持续无源域自适应方法，其采用双速优化的教师-学生模型对，并具备一致性学习能力。我们的实验表明，CoSDA 在连续适应中优于最先进（state-of-the-art）的方法。值得注意的是，我们的 CoSDA 也可与其他 SFDA 方法结合以缓解遗忘。
引用
@article{arxiv.2304.06627,
title = {CoSDA: Continual Source-Free Domain Adaptation},
author = {Haozhe Feng and Zhaorui Yang and Hesun Chen and Tianyu Pang and Chao Du and Minfeng Zhu and Wei Chen and Shuicheng Yan},
journal= {arXiv preprint arXiv:2304.06627},
year = {2023}
}
备注
15 pages, 6 figures