源域无关性能预测

准确估计模型性能在源域和目标域遵循不同数据分布的场景中提出了重大挑战。大多数现有性能预测方法在估计过程中严重依赖源数据，限制了其在仅 accessible trained model 的更现实场景中的适用性。少数不要求源数据的方法表现显著低于。本文提出一种以不确定性为中心的源域无关方法，使用生成模型进行校准以应对无源数据情况。我们在本方法与温度 scaling 之间建立了联系。随后，我们采用基于梯度的策略来评估校准后预测的正确性。我们的实验在基准对象识别数据集上显示，现有基于源的方法在源样本有限的情况下表现不足。此外，我们的方法显著优于当前最先进的源域无关和基于源的方法，确认了其在 domain-invariant performance estimation 中的有效性。