PseudoCal：一种无源域自适应中无监督不确定性校准方法
机器学习
2023-07-17 v1 计算机视觉与模式识别
摘要
无监督域自适应（UDA）在提升未标注目标域模型精度方面取得了显著进展。然而，目标域中预测不确定性的校准作为 UDA 模型安全部署的关键环节，受到的关注有限。传统的域内校准方法温度缩放（TempScal）由于域分布偏移以及缺乏标注目标域数据而面临挑战。近期方法采用重要性加权技术，基于重加权的有标注源数据估计目标最优温度。尽管如此，这些方法需要源数据，并且在严重域偏移下因密度估计不可靠而不适用，使其无法满足无源 UDA 设定。为克服这些局限，我们提出 PseudoCal，一种仅依赖未标注目标数据的无源校准方法。与以往将 UDA 校准视为协变量偏移问题的方法不同，我们将其视为目标域特有的无监督校准问题。受 TempScal 中负对数似然（NLL）目标函数分解的启发，我们生成一个捕获真实目标结构的标注伪目标集。借此，我们将无监督校准问题转化为有监督问题，从而能够使用 TempScal 等广泛采用的域内方法有效解决。最后，我们通过在 10 种 UDA 方法上开展大量实验，涵盖传统 UDA 设定与近期无源 UDA 场景，全面评估了 PseudoCal 的校准性能。实验结果一致表明 PseudoCal 的优越性能，其与现有校准方法相比校准误差显著降低。
引用
@article{arxiv.2307.07489,
title = {PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation},
author = {Dapeng Hu and Jian Liang and Xinchao Wang and Chuan-Sheng Foo},
journal= {arXiv preprint arXiv:2307.07489},
year = {2023}
}