源自由跨域持续学习
机器学习
2025-10-03 v1 人工智能
摘要
虽然现有的跨域持续学习方法成功地解决了许多具有域迁移的流式任务，但它们需要完整的源域标签，这在受隐私限制的环境中往往不可行。本文提出了一种源自由跨域持续学习的方法，其中完全禁止使用源域样本。我们提出了一种名为 REFEREE 的再现-free 频率感知动态提示协作策略，以应对在跨域持续学习中缺乏源域标签样本的限制。REFERENCE 建立在源预训练模型与大规模视觉语言模型之间的协�作用之上，从而克服了仅依赖源预训练模型就无法实现最佳泛化的局限。通过一种频率感知提示技术鼓励低频分量并抑制高频分量，处理源域与目标域之间的域迁移问题。该策略生成对噪声伪标签鲁棒的频率感知增强样本。进一步地，通过不确定性感知加权策略对噪声伪标签进行处理，其中均值和协方差矩阵由预测不确定性加权，从而减轻噪声伪标签的不利影响。此外，通过基于随机核方法的核线性判别分析( KLDA) 解决了灾难性遗忘( CF) 的问题，其中冻结主干网络，仅使用线性判别分析进行分类。我们的严格数值研究确认了我们方法的优势，该方法在拥有源域样本的情况下即可战胜现有方法，且优势显著。
引用
@article{arxiv.2510.01649,
title = {Source-Free Cross-Domain Continual Learning},
author = {Muhammad Tanzil Furqon and Mahardhika Pratama and Igor Škrjanc and Lin Liu and Habibullah Habibullah and Kutluyil Dogancay},
journal= {arXiv preprint arXiv:2510.01649},
year = {2025}
}