通过特征精炼的数据域适应
计算机视觉与模式识别
2025-08-25 v1 机器学习
摘要
我们提出一种称为Domain Adaptation via Feature Refinement(DAFR2)的框架，用于分布迁移下的无监督域适应。该方法融合了三个关键组件：使用未标记目标数据调整批归一化统计信息、从源模型 distillation特征以及假设迁移。通过在统计和表征层面对齐特征分布，DAFR2产生稳健且跨域程度不变的特征空间，这些特征在无需目标标签、复杂体系结构或精细训练目标的情况下可跨相似领域泛化。广泛实验在CIFAR10-C、CIFAR100-C、MNIST-C和PatchCamelyon-C等基准数据集上表明，所提算法在抗扰度方面优于先前方法。理论与经验分析进一步揭示，我们的方法实现了更好的特征对齐、域之间互信息增加以及对输入扰动的敏感性降低。
引用
@article{arxiv.2508.16124,
title = {Domain Adaptation via Feature Refinement},
author = {Savvas Karatsiolis and Andreas Kamilaris},
journal= {arXiv preprint arXiv:2508.16124},
year = {2025}
}