面向隐私保护域适应的 Vicinity-Guided 判别式潜在扩散
机器学习
2025-11-13 v3
摘要
近期关于潜在扩散模型 (LDMs) 的工作几乎只聚焦于生成任务，潜在的判别式迁移潜力尚未得到充分探索。我们引入 Discriminative Vicinity Diffusion (DVD)，一个新颖的 LDM 基于框架，用于更实用的源自域适应 (SFDA) 变体：源提供方可能不仅共享预训练的分类器，还共享一个在源数据上训练一次且永不暴露原始源样本的辅助潜在扩散模块。在 DVD 中，每个源特征的标签信息被编码到其潜在邻域内，通过在其 k 最近邻邻居上拟合高斯先验来实现，并训练扩散网络以将带噪样本漂移回标签一致的表示。在适应期间，我们从每个目标特征的潜在邻域中进行采样，应用冻结的扩散模块生成类似源的线索，并使用简单的 InfoNCE 损失对目标编码器进行对齐，显式地在无源访问的情况下传递决策边界。跨标准 SFDA 基准测试，DVD 超越了最先进的方法。我们进一步展示，相同的潜在扩散模块也提升了源分类器在同域数据上的准确率，并在监督分类和域泛化实验中提升性能。DVD 因此重新诠释了 LDM 作为实用、隐私保护的知识传递桥梁，解决了源自域适应中先前方法尚未解决的核心挑战。
关键词
引用
@article{arxiv.2510.00478,
title = {Vicinity-Guided Discriminative Latent Diffusion for Privacy-Preserving Domain Adaptation},
author = {Jing Wang and Wonho Bae and Jiahong Chen and Wenxu Wang and Junhyug Noh},
journal= {arXiv preprint arXiv:2510.00478},
year = {2025}
}
备注
39th Conference on Neural Information Processing Systems (NeurIPS 2025)