无源样本下基于域自适应对抗扰动的无监督深度视觉模型精度估计
计算机视觉与模式识别
2023-07-20 v1 机器学习
摘要
由于源域与目标域分布之间的差异，部署深度视觉模型可能导致性能下降。若干方法利用带标签的源数据来估计目标域精度，但由于数据保密性或服务设备资源限制，访问带标签的源数据通常极其困难。我们的工作提出了一种新框架，可在无需访问源数据的情况下，基于无标签目标数据估计模型精度。我们研究了使用伪标签进行精度估计的可行性，并将该思路发展为采用近期无源域自适应算法的进展。我们的方法度量源假设与从源假设适配得到的目标伪标签函数之间的不一致率。我们通过在对目标模型输入施加自适应对抗扰动，来减轻因较高理想联合假设风险而产生的错误伪标签的影响。我们提出的无源框架有效应对了具有挑战性的分布偏移场景，并优于需要源数据和标签进行训练的现有方法。
引用
@article{arxiv.2307.10062,
title = {Unsupervised Accuracy Estimation of Deep Visual Models using Domain-Adaptive Adversarial Perturbation without Source Samples},
author = {JoonHo Lee and Jae Oh Woo and Hankyu Moon and Kwonho Lee},
journal= {arXiv preprint arXiv:2307.10062},
year = {2023}
}
备注
Accepted to ICCV 2023