无源数据访问的无监督多源域自适应

无监督域自适应（UDA）旨在通过将知识从独立的带标签源域迁移过来，为无标签目标域学习一个预测器模型。然而，大多数此类传统 UDA 方法做出了在训练期间可访问源数据的强假设，由于隐私、安全和存储问题，这可能并不实用。近期一系列工作解决了该问题，并提出了一种无需访问源数据即可将知识从单一源模型迁移到无标签目标域的算法。但是，若存在多个训练好的源模型可供选择，该方法必须逐一适配每个模型以挑选最佳源。因此，我们提出如下问题：能否在无从源数据且无目标标签的情况下，找到源模型的最优组合，其性能不差于单一最佳源？为回答此问题，我们提出了一种新颖高效的算法，以合适权重自动组合源模型，使其性能至少与最佳源模型相当。我们提供了直观的理论见解以佐证我们的主张。此外，在多个基准数据集上进行了大量实验以展示我们算法的有效性，在大多数情况下，我们的方法不仅达到最佳源精度，而且超越之。