SWAT：用于渐变域适应的滑动窗口对抗训练
计算机视觉与模式识别
2025-09-19 v2 人工智能
摘要
域偏移是损害机器学习性能的关键问题。无监督域适应 (UDA) 缓解了这一问题，但在域偏移陡峭且剧烈时表现不佳。渐变域适应 (GDA) 通过利用多个中间域从源域逐步适应到目标域，以一种温和的方式缓解了该问题。在本文中，我们提出了用于 GDA 的滑动窗口对抗训练 (SWAT)。SWAT 首先构建对抗流以连接源域和目标域的特征空间。然后，设计了一种沿对抗流移动的滑动窗口范式，以逐步缩小相邻中间域之间的微小差距。当窗口移动到流的末端，即目标域时，域偏移被显式减小。在六个 GDA 基准上的大量实验证明了 SWAT 的显著有效性，特别是在 Rotated MNIST 上取得了 6.1% 的提升，在 CIFAR-100C 上比先前方法取得了 4.1% 的优势。
引用
@article{arxiv.2501.19155,
title = {SWAT: Sliding Window Adversarial Training for Gradual Domain Adaptation},
author = {Zixi Wang and Xiangxu Zhao and Tonglan Xie and Mengmeng Jing and Lin Zuo},
journal= {arXiv preprint arXiv:2501.19155},
year = {2025}
}
备注
submitted to NIPS 2025