多源数据无监督迁移学习的模型回收框架
机器学习
2025-08-05 v1 机器学习
摘要
数据隐私以及获取源数据进行模型训练的其他困难，导致数据无源迁移学习需求日益增加，即仅能访问预训练模型而无法获取原始源域的数据。该设置带来诸多挑战，因为许多现有迁移学习方法通常依赖对源数据的访问，这限制了其在源数据不可用时可直接应用的场景。进一步地，实际考虑也更加困难，例如在缺乏源数据信息的情况下高效选择用于迁移的模型，以及在无法完全访问源模型的情况下进行迁移。为此，我们提出一种模型回收框架，用于参数高效的模型训练，识别与之相关的源模型子集以用于白盒和黑盒设置。因此，我们的框架使得 Model as a Service（MaaS）提供者能够构建高效的预训练模型库，从而为多源数据无监督迁移学习创造了机遇。
引用
@article{arxiv.2508.02039,
title = {Model Recycling Framework for Multi-Source Data-Free Supervised Transfer Learning},
author = {Sijia Wang and Ricardo Henao},
journal= {arXiv preprint arXiv:2508.02039},
year = {2025}
}