无模型迁移的域自适应
机器学习
2021-08-31 v4
摘要
近年来，研究者日益关注深度学习模型对数据安全与隐私带来的威胁，尤其在域自适应领域。现有的无监督域自适应（UDA）方法能够在不将源域数据迁移至目标域的情况下取得良好性能。然而，基于表示对齐或自监督伪标签的 UDA 依赖于迁移的源模型。在许多数据关键场景中，基于模型迁移的方法可能遭受成员推断攻击并暴露私有数据。本文旨在克服一种具有挑战性的新设定：源模型无法迁移至目标域。我们提出无源模型的域自适应（Domain Adaptation without Source Model），其对源模型中的信息进行提炼。为获得更具信息量的结果，我们进一步提出分布对抗训练（Distributionally Adversarial Training, DAT）以对齐源数据与目标数据的分布。在 Digit-Five、Office-Caltech、Office-31、Office-Home 与 DomainNet 等基准上的实验结果证明了我们方法在无模型迁移下的可行性。
引用
@article{arxiv.2107.10174,
title = {Domain Adaptation without Model Transferring},
author = {Kunhong Wu and Yucheng Shi and Yahong Han and Yunfeng Shao and Bingshuai Li and Qi Tian},
journal= {arXiv preprint arXiv:2107.10174},
year = {2021}
}