我们真的需要访问源数据吗？用于无监督域自适应的源假设迁移
计算机视觉与模式识别
2021-06-02 v6 机器学习
摘要
无监督域自适应（UDA）旨在利用从带标签源数据集学到的知识来解决新无标签域中的相似任务。先前的UDA方法通常在学习自适应模型时需要访问源数据，这使得它们在去中心化私有数据下具有风险且低效。本工作处理一种实际设定：仅有一个训练好的源模型可用，并研究如何有效利用该模型而无须源数据来解决UDA问题。我们提出了一个简单而通用的表示学习框架，名为源假设迁移（Source HypOthesis Transfer，SHOT）。SHOT冻结源模型的分类器模块（假设），并通过利用信息最大化和自监督伪标注来隐式地将目标域的表示对齐到源假设，从而学习目标特定的特征提取模块。为验证其通用性，我们在多种自适应情形下评估SHOT，包括闭集、部分集和开集域自适应。实验表明，SHOT在多个域自适应基准上取得了最先进（state-of-the-art）的结果。
引用
@article{arxiv.2002.08546,
title = {Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation},
author = {Jian Liang and Dapeng Hu and Jiashi Feng},
journal= {arXiv preprint arXiv:2002.08546},
year = {2021}
}
备注
ICML2020. Fix the typos for Digits. Code is available at https://github.com/tim-learn/SHOT