无源无监督域适应：综述
计算机视觉与模式识别
2023-01-10 v2 人工智能
机器学习
摘要
基于深度学习的无监督域适应（UDA）因处理由跨域分布差异引起的域偏移问题而引人关注。现有 UDA 方法高度依赖源域数据的可获取性，而在实际场景中由于隐私保护、数据存储与传输成本以及计算负担，源域数据通常受限。为解决此问题，近来提出了许多无源无监督域适应（SFUDA）方法，其在源数据不可访问的情况下，将预训练源模型的知识迁移至无标签目标域。对这些 SFUDA 工作的全面综述具有重要意义。本文从技术视角对现有 SFUDA 方法进行了及时且系统的文献综述。具体地，我们将当前 SFUDA 研究分为两类，即白盒 SFUDA 与黑盒 SFUDA，并依据其所用不同学习策略进一步划分为更细子类。我们还调研了各子类方法面临的挑战，讨论了白盒与黑盒 SFUDA 方法的优劣，总结了常用基准数据集，并归纳了在无源数据条件下提升模型泛化能力的流行技术。最后我们讨论了该领域若干有前景的未来方向。
引用
@article{arxiv.2301.00265,
title = {Source-Free Unsupervised Domain Adaptation: A Survey},
author = {Yuqi Fang and Pew-Thian Yap and Weili Lin and Hongtu Zhu and Mingxia Liu},
journal= {arXiv preprint arXiv:2301.00265},
year = {2023}
}
备注
19 pages, 10 figures