FREEDOM：面向无目标标签、无源数据与无域信息的多源域自适应无监督个性化方法
机器学习
2023-07-07 v1 人工智能
摘要
从服务的角度来看，多源域自适应（MSDA）是一种有前景的场景，可将已部署的模型适配到客户端的数据集。它能够在无目标标签的情况下提供自适应，并支持源数据集由多个域构建的情况。然而，这是不切实际的，因为其训练严重依赖于多源数据集的先验域信息——即存在多少个域以及每个数据样本的域标签。此外，MSDA 需要同时（在物理上）拥有源数据集和目标数据集，这会导致客户端设备上的存储限制，或通过向服务器传输客户端数据而引发数据隐私问题。针对从服务提供商视角出发的更实际的模型自适应场景，我们放宽这些约束并提出一种新颖的三无域自适应问题场景，即 TFDA，其中 1）目标标签、2）源数据集，以及最为关键的 3）源域信息（域标签＋域数量）均不可用。在该问题场景下，我们提出一种称为 FREEDOM 的实用自适应框架。它利用生成模型的能力，将数据解耦为类别与风格两个方面，其中风格被定义为来自源数据的与类别无关的信息，并采用非参数贝叶斯方法进行设计。在自适应阶段，FREEDOM 旨在匹配源类别分布与目标类别分布，其理念是即便风格不同，类别分布仍保持一致；此后，仅将分类模型的一部分部署为个性化网络。结果表明，即便没有域信息，FREEDOM 仍能达到最先进或可比的性能，且在目标侧的最终模型规模减小，与源域数量无关。
引用
@article{arxiv.2307.02493,
title = {FREEDOM: Target Label & Source Data & Domain Information-Free Multi-Source Domain Adaptation for Unsupervised Personalization},
author = {Eunju Yang and Gyusang Cho and Chan-Hyun Youn},
journal= {arXiv preprint arXiv:2307.02493},
year = {2023}
}