无源自学域自适应的置信度评分

Jun, 2022

Confidence Score for Source-Free Unsupervised Domain Adaptation

Jonghyun Lee, Dahuin Jung, Junho Yim, Sungroh Yoon

TL;DR本文提出了一种无监督领域自适应的方法——源自由（SFUDA），其中使用预先训练的源模型而不使用源数据来在未标记的目标域中获得高性能。提出一种新的样本自信度评分——联合模型数据结构（JMDS）评分，用于SFUDA中，它使用源和目标域知识，用作样本权重的JMDS分数，以及我们提出的Mixup变体的权重Mixup构成的CoWA-JMDS框架，该方法区分了样本的重要性。实验结果显示，JMDS分数表现优于现有的置信度分数，CoWA-JMDS在闭合、开放和部分集情景下均取得了最先进的性能。

Abstract

source-free unsupervised domain adaptation (SFUDA) aims to obtain high performance in the unlabeled target domain using the pre-trained source model, not the source data. Existing SFUDA methods assign the same im

发现论文，激发创造

无源域自适应

我们介绍了一种源数据自由的领域自适应方法，使用预训练模型自学习来更新目标模型，通过基于自熵的准则选择可靠样本以定义类的原型，并用伪标签为每个目标样本分配标签以训练目标模型，最终得到比传统领域适应方法更好的结果。

Jul, 2020

无监督多源域自适应，无需访问源数据

该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。

Apr, 2021

无源无监督域自适应：一份调查报告

本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制，提供了一篇系统综述文章，介绍了最近提出的无源自适应方法，着重对白盒和黑盒方法进行分类，并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。

Dec, 2022

源无关域自适应仅需少样本微调

研究表明在无标签目标数据存在特定要求(如封闭集和标签分布一致)或实际应用场景(如OOB和标签分布转移)的情况下，基于无源数据的领域自适应(SFUDA)方法具有很大的限制。通过实验证明，使用源预训练模型和少量标记数据的微调方法是一种可靠的解决方案，实验结果表明这种方法的性能优于其他方法。}

Apr, 2023

实用的无监督领域自适应评估指标研究

通过引入源准确度和数据增强，本文提出了一种新的无监督领域适应度评估指标，名为增强一致性度量。通过大规模实验证明了该指标的有效性，并且在四个常见基准测试中，相比手动调优的超参数集，自动搜索得到的超参数集表现更加优越。

Aug, 2023

非监督领域适应中融合预训练数据的重要性

以无监督域适应和无源自适应方法为研究对象，通过研究ImageNet与源域及目标域之间的相关性及ImageNet对目标风险的影响，发现现有方法存在的关键限制，并提出了一种新的框架TriDA，通过保留预训练数据集（即ImageNet）的语义结构来提升适应性能。实验证明，TriDA在各种无监督域适应和无源自适应评估中取得了最先进的性能。

Aug, 2023

无源开放集域自适应的未知样本发现

Unknown Sample Discovery (USD)是一种利用时间集成的教师模型进行已知-未知目标样本分离并通过协同训练和教师学生之间的时间一致性将学生模型适应于目标领域的SF-OSDA方法，着重推进Jensen-Shannon距离（JSD）作为已知-未知样本分离的有效度量。

Dec, 2023

无源非监督领域适应：预测合理性的假设整合

无源无监督领域自适应（SFUDA）是一个具有挑战性的任务，模型需要在没有目标领域标签或源领域数据的情况下适应新领域。本文提出了一种新的方法，通过考虑每个样本的多个预测假设并研究每个假设的合理性来解决该问题。通过整合这些假设的理由，我们可以识别最有可能的正确假设，并将其作为伪标签集来支持半监督学习过程进行模型自适应。我们提出了一个三步自适应过程：模型预自适应、假设整合和半监督学习，以实现最佳性能。广泛的实验结果表明我们的方法在SFUDA任务中达到了最先进的性能，并可以轻松集成到现有方法中以改善其性能。

Feb, 2024

无源无监督领域自适应中的关键设计选择：一项深入实证分析

通过综合基准评估方法，本研究针对图像分类中的无源无监督领域自适应（SF-UDA）提供了一个全面的基准框架，旨在实现对SF-UDA方法中多个关键设计因素之间复杂关系的严格经验理解，并对多种SF-UDA技术进行了实证研究，评估它们在数据集上的一致性、对特定超参数的敏感性以及在不同主干架构下的适用性，强调了主干架构和预训练数据集选择对SF-UDA性能的重要性。

Feb, 2024

基于不确定性感知的无源无监督域适应伪标签过滤

无源无监督域自适应的不确定性伪标签过滤适应（UPA）方法，通过自适应伪标签选择（APS）模块进行精确过滤，同时引入类感知对比学习（CACL）以降低伪标签噪声的记忆化，实现与最先进的方法相当的竞争性能。

Mar, 2024