基于倾向驱动的不确定性学习用于源自由主动域适中的样本探索
计算机视觉与模式识别
2025-01-24 v1 机器学习
摘要
源自由主动域适应 (SFADA) 旨在在不访问源数据的情况下，将预训练模型适应到新域，同时最小化对目标域标注需求。这种情境在数据隐私、存储限制或标注成本是重要关切的实际应用中尤为 relevant。SFADA 的关键挑战包括从目标域中选择最具信息性的样本进行标注、有效利用目标域中的有标签和无标签数据，以及在不依赖源域信息的情况下进行模型适应。此外，现有方法往往难以处理噪声或异常样本，且可能需要在训练期间不切实际地进行渐进标注。为了在不频繁请求人工标注的情况下选择更具信息性的样本，我们提出了倾向驱动的不确定性学习 (ProULearn) 框架。ProULearn 利用新颖的同质性倾向估计机制结合相关性指数计算来评估特征层次之间的关系。该方法能够识别具有代表性和挑战性的样本，同时避免噪声异常值。此外，我们开发了中心相关损失以细化伪标签并创建紧凑的类别分布。在这种 way下，ProULearn 有效桥接了域间差距并最大化适应性能。基于选择具有信息性样本的原则在 SFADA 之外，对众多需要识别关键数据点或特征的深度学习任务也具有广泛意义。四个基准数据集上的大量实验表明，ProULearn 在域适应场景中超越了业界最先进的方法。
引用
@article{arxiv.2501.13517,
title = {Propensity-driven Uncertainty Learning for Sample Exploration in Source-Free Active Domain Adaptation},
author = {Zicheng Pan and Xiaohan Yu and Weichuan Zhang and Yongsheng Gao},
journal= {arXiv preprint arXiv:2501.13517},
year = {2025}
}