GMM-COMET：基于均值教师和高斯混合模型的持续源自由通用域适应
机器学习
2026-01-19 v1 计算机视觉与模式识别
摘要
无监督域适应解决的问题是：训练和测试数据之间的域迁移会损害神经网络在许多实际应用中的性能。在现实情况下，源数据在适应期间可能不可用，并且目标域的标签空间可能不同于源标签空间。这种设置称为源自由通用域适应（SF-UniDA），近期受到关注，但现有所有方法仅假设从源到目标的单一域迁移。在本工作中，我们提出了对持续SF-UniDA的首次研究，其中模型必须依次适应多个不同无标签目标域的序列。基于我们之前的在线SF-UniDA方法，我们将其关键思想整合，通过在均值教师框架中集成高斯混合模型基于伪标签的方法，以提高长时间适应序列的稳定性。此外，我们引入一致性损失以进一步提高鲁棒性。所得方法GMM-COMET为持续SF-UniDA提供了强有力的首个基准，并且是实验中唯一在所有评估情景下 consistently 改进源模型性能的方法。我们的代码已公开于 https://github.com/pascalschlachter/GMM-COMET。
引用
@article{arxiv.2601.11161,
title = {GMM-COMET: Continual Source-Free Universal Domain Adaptation via a Mean Teacher and Gaussian Mixture Model-Based Pseudo-Labeling},
author = {Pascal Schlachter and Bin Yang},
journal= {arXiv preprint arXiv:2601.11161},
year = {2026}
}