$\oslash$ 源模型泄露不该泄露的内容 $\nrightarrow$：通过对抗优化忘却零样本迁移中的域适应
计算机视觉与模式识别
2026-04-10 v1
摘要
视觉模型在卫星图像和医学扫描等跨域场景中的日益普及，引发了新兴隐私风险：模型可能意外保留并泄露源域特定信息于目标域。这为机器忘却提供了引人注目的用例，以保护敏感源域数据的隐私。在适应技术中，源自由域适应 (SFDA) 迫切需要机器忘却 (MU)，因为虽然源数据本身受到保护，但适应期间暴露的源模型仍编码了其影响。我们的实验表明，现有 SFDA 方法在源专属类别的零样本目标域性能表现突出，表明即使在这些类别未被目标数据表示时，亦无意中将其知识泄露至目标域。我们识别并解决了此风险，提出一种称为 SCADA-UL: Unlearning Source-exclusive ClAsses in Domain Adaptation 的 MU 设置。现有 MU 方法未针对此设置进行处理，因为其设计不处理数据分布迁移。我们提出了新型忘却方法，在域适应过程中通过一种新颖的比例标注策略和对抗优化来忘却对抗生成的忘却类样本。我们还扩展了研究至两个变体：此问题设置的持续版本以及特定源类别可能未知的情形。除理论解释外，我们的全面实证结果表明，该方法在所提设置下 consistently 优于基准方法，在基准数据集上实现了接近重新训练水平的忘却性能。我们的代码已公开于 https://github.com/D-Arnav/SCADA。
引用
@article{arxiv.2604.08238,
title = {$\oslash$ Source Models Leak What They Shouldn't $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation Through Adversarial Optimization},
author = {Arnav Devalapally and Poornima Jain and Kartik Srinivas and Vineeth N. Balasubramanian},
journal= {arXiv preprint arXiv:2604.08238},
year = {2026}
}
备注
CVPR 2026