高阶邻域更有价值：超图学习融合源自由无监督域适应
计算机视觉与模式识别
2024-05-14 v1
摘要
源自由无监督域适应（SFDA）旨在仅访问预训练源模型和无标签目标样本的情况下对目标样本进行分类。由于没有可用的源数据，将源域的知识传递到目标域具有挑战性。现有方法通常利用目标样本之间的两两关系，并尝试基于语义特征对这些样本进行聚类来发现其相关性。这些方法的缺点包括：1）两两关系仅受限于暴露两个或更多样本之间的潜在相关性，阻碍了对目标域中嵌入结构信息的探索；2）聚类过程仅依赖语义特征，忽略了域迁移的关键影响，即源域与目标域之间的分布差异。为解决这些问题，我们提出一种新型SFDA方法，利用高阶邻域关系，并显式地将域迁移效应纳入考虑。具体而言，我们将SFDA建模为超图学习问题，并构建超边来探索多个样本之间的局部群组和上下文信息。此外，我们将自环策略融入构建的超图中，以优雅地引入每个样本的域不确定性。基于超边对这些样本进行聚类时，既考虑了语义特征，也考虑了域迁移效应。我们然后描述一种基于自适应关系的目标函数，通过为所有样本设置软注意力水平来调优模型。在Office-31、Office-Home、VisDA和PointDA-10数据集上进行了广泛实验。结果表明，我们的方法在与最先进的方法之间具有优势。
引用
@article{arxiv.2405.06916,
title = {High-order Neighborhoods Know More: HyperGraph Learning Meets Source-free Unsupervised Domain Adaptation},
author = {Jinkun Jiang and Qingxuan Lv and Yuezun Li and Yong Du and Sheng Chen and Hui Yu and Junyu Dong},
journal= {arXiv preprint arXiv:2405.06916},
year = {2024}
}