基于原型引导的伪标签生成，结合邻域感知一致性用于无监督适应
机器学习
2025-07-31 v1
摘要
在视觉语言模型如 CLIP 的无监督适应中，来自零样预测的伪标签常常在域迁移或视觉复杂场景下表现出显著噪声。依赖固定置信度阈值的传统伪标签过滤方法在完全无监督的设置下往往不可靠。本文提出一种新型自适应伪标签生成框架，通过整合原型一致性和邻域一致性来增强 CLIP 的适应性能。该方法包含两个关键组件：PICS，该组件基于类内特征紧凑性和类间特征分离度评估伪标签的准确性；NALR，该组件利用相邻样本的语义相似性动态细化伪标签。此外，我们引入一种自适应加权机制，根据估计的正确性调整训练期间伪标签样本的影响。广泛的实验表明，在 11 个基准数据集上，该方法在无监督适应场景下实现了最先进的性能，生成更准确的伪标签，同时保持计算效率。
引用
@article{arxiv.2507.22075,
title = {Prototype-Guided Pseudo-Labeling with Neighborhood-Aware Consistency for Unsupervised Adaptation},
author = {Eman Ali and Chetan Arora and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2507.22075},
year = {2025}
}