Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework
EPFL（洛桑联邦理工学院）；ETH Zürich（苏黎世联邦理工学院）
提出无源开放集域适应框架RRDA，通过两阶段过程明确学习目标私有未知类别特征，增强已知与未知类别分离能力，并支持集成现成无源域适应方法，在三个基准数据集上显著优于现有方法。
2025-06-26 cs.AI cs.CV
Open Set Domain Adaptation with Vision-language models via Gradient-aware Separation
Nanjing University of Information Science & Technology（南京信息工程大学）
针对开集域适应中模态语义利用不足、未知样本检测误差累积的问题，提出基于CLIP的提示驱动跨域对齐与梯度感知开集分离方法，在Office-Home上性能优于基线，验证了梯度范数的关键作用。
2025-05-16 cs.CV cs.LG
Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection
Fermi National Accelerator Laboratory（费米国家加速器实验室）；Argonne National Laboratory（阿贡国家实验室）；Kavli Institute for Cosmological Physics（卡夫利宇宙物理研究所）；University of Chicago（芝加哥大学）
在大型天文调查的时代，我们同时利用人工智能算法处理多个数据集的能力将为科学发现开辟新的途径。不幸的是，简单地在来自一个数据域的图像上训练深度神经网络通常会导致在任何其他数据集上的性能非常差。在这里，我们开发了一种通用域自适应方法DeepAstroUDA，能够执行半监督域对齐，可以应用于具有不同类型的类重叠的数据集。额外的类可以存在于两个数据集中的任何一个中，该方法甚至可以在存在未知类的情况下使用。这是第一次，我们证明了成功使用域适应两个非常不同的观测数据集（从SDSS和DECaLS）。我们表明，我们的方法是能够弥合两个天文调查之间的差距，也表现良好的异常检测和聚类的未知数据在未标记的数据集。我们将我们的模型应用于两个例子的星系形态分类任务与异常检测：1）分类螺旋和椭圆星系与合并星系的检测（三个类，包括一个未知的异常类）; 2）一个更细粒度的问题，其中类描述更详细的星系形态属性，与引力透镜的检测（十类，包括一个未知的异常类）。
2022-11-11 astro-ph.GA cs.AI cs.CV
UMAD: Universal Model Adaptation under Domain and Category Shift
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；National University of Singapore（新加坡国立大学）；Sea AI Lab（Sea AI实验室）
学习拒绝未知样本（不存在于源类）在目标域中是相当重要的无监督领域自适应（UDA）。存在两种典型的UDA场景，即，open-set和open-partial-set，后者假设并非所有源类都出现在目标域中。然而，大多数现有方法是针对一种UDA场景设计的，并且在另一种UDA场景上总是表现不佳。此外，它们在适配期间还需要标记的源数据，限制了它们在数据隐私敏感应用中的可用性。为了解决这些问题，本文提出了一个通用模型自适应（UMAD）框架，处理UDA的情况下，不访问源数据，也没有先验知识域之间的类别转移。具体来说，我们的目标是使用设计精美的双头分类器学习源模型，并将其提供给目标域。在适应过程中，我们开发了一个信息一致性评分，以帮助区分未知样本和已知样本。为了实现双边适应在目标域中，我们进一步最大化本地互信息，以对齐已知的样本与源分类器和采用熵损失推未知的样本远离源分类边界，分别。在开集和开部分集UDA场景上的实验表明，UMAD作为一种不访问源数据的统一方法，表现出与最先进的数据依赖方法相当的性能。
2021-12-16 cs.CV cs.LG
KRADA: Known-region-aware Domain Alignment for Open-set Domain Adaptation in Semantic Segmentation
Hong Kong Baptist University（香港浸会大学）；The University of Melbourne（墨尔本大学）；Nanjing University of Science and Technology（南京理工大学）；Northeastern University（东北大学）；The University of Sydney（悉尼大学）
在语义分割中，我们的目标是训练一个像素级分类器，为图像中的所有像素分配类别标签，其中标记的训练图像和未标记的测试图像来自相同的分布，并共享相同的标签集。然而，在一个开放的世界中，未标记的测试图像可能包含未知的类别，并有不同的分布从标记的图像。因此，在本文中，我们考虑一个新的，更现实的，更具有挑战性的问题设置，像素级分类器必须用标记图像和未标记的开放世界图像进行训练-我们将其命名为开集域自适应分割（OSDAS）。在OSDAS中，训练好的分类器被期望能够识别未知类像素并很好地分类已知类像素。为了解决OSDAS，我们首先调查未知类像素服从哪个分布。然后，出于拟合优度测试的动机，我们使用统计测量来显示像素如何拟合未知类的分布，并选择高度拟合的像素来形成每个测试图像中的未知区域。最后，我们提出了一个端到端的学习框架，已知区域感知域对齐（KRADA），区分未知类，同时对齐已知类在标记和未标记的开放世界图像中的分布。KRADA的有效性已在两个合成任务和一个COVID-19分割任务上得到验证。
2023-02-19 cs.CV cs.LG eess.IV
Beyond Retraining: Training-Free Unknown Class Filtering for Source-Free Open Set Domain Adaptation of Vision-Language Models
VLM-OpenXpert通过无训练模块SUFF和BGAT实现无源开放集域适应，有效抑制未知类干扰并提升模型性能。
2026-01-29 cs.CV
Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation
KAIST（韩国科学技术院）
通用领域自适应通过处理两种迁移（领域迁移和类别迁移）来实现数据集之间的知识转移。主要的挑战是正确区分未知的目标样本，同时适应已知类知识从源到目标的分布。大多数现有的方法解决这个问题，首先训练目标适应已知的分类器，然后依靠单一的阈值来区分未知的目标样本。然而，这种简单的基于阈值的方法阻止了模型考虑高维特征空间中已知和未知样本之间存在的潜在复杂性。在本文中，我们提出了一种新的方法，在该方法中，我们使用两组特征点，即双分类器的原型和倒数（CPR）。我们的主要思想是将每个原型与相应的已知类特征相关联，同时将倒数与这些原型分开，以将它们定位在潜在的未知特征空间中。然后，如果目标样本在测试时落在任何倒数附近，则将其分类为未知。为了成功地训练我们的框架，我们收集了部分的，有信心的目标样本，通过我们提出的多标准选择被分类为已知或未知。然后，我们另外对它们应用熵损失正则化。为了进一步适应，我们还应用了标准的一致性正则化，该正则化匹配输入的两个不同视图的预测，以使目标特征空间更加紧凑。我们根据三个标准基准评估我们的建议，CPR，并取得可比或新的最先进的结果。我们还提供了广泛的消融实验，以验证我们的框架中的主要设计选择。
2022-12-16 cs.CV
Mixture-of-Experts for Open Set Domain Adaptation: A Dual-Space Detection Approach
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
针对开放集域适应中未知样本易误判且依赖阈值的问题，提出结合图像特征空间与 MoE 路由特征空间不一致性的无阈值双空间检测方法，并用 Graph Router 利用图像块空间信息，在三个数据集上验证了优势。
2024-07-03 cs.CV cs.LG
Open Set Domain Adaptation by Backpropagation
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
已经提出了许多算法，用于将知识从标签丰富的域（源）转移到标签稀缺的域（目标）。几乎所有这些都是针对闭集场景提出的，其中源和目标域完全共享其样本的类。我们将共享类称为\doublequote{known class.}。然而，在实际中，当目标域中的样本未被标记时，我们无法知道域是否共享类。目标域可以包含不被源域共享的类的示例。我们称这样的类为\doublequote{unknown class}，在开集情况下工作良好的算法是非常实用的。然而，大多数现有的用于领域自适应的分布匹配方法在这种设置中不能很好地工作，因为未知目标样本不应该与源对准。在本文中，我们提出了一种方法，开放集领域自适应的情况下，利用对抗训练。训练分类器以在源样本和目标样本之间建立边界，而训练生成器以使目标样本远离边界。因此，我们为特征生成器分配了两个选项：将它们与源已知样本对齐或将它们作为未知目标样本拒绝。该方法允许提取将未知目标样本与已知目标样本分开的特征。我们的方法在领域自适应环境中进行了广泛的评估，并在大多数环境中以较大的幅度优于其他方法。
2018-07-06 cs.CV
OVANet: One-vs-All Network for Universal Domain Adaptation
Boston University（波士顿大学）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
通用领域自适应（UNDA）算法旨在处理两个数据集之间的领域转移和类别转移，其主要挑战是在传递知识的同时，拒绝在标记源数据中不存在但在未标记目标数据中存在的未知类。现有的方法手动设置一个阈值来拒绝未知样本的基础上验证或未知样本的预定义的比例，但这种策略是不实用的。在本文中，我们提出了一种方法来学习阈值使用源样本，并使其适应目标域。我们的想法是，源域中的最小类间距离应该是一个很好的阈值，以决定目标中的已知或未知。为了学习类间和类内的距离，我们建议使用标记的源数据为每个类训练一个对所有分类器。然后，我们适应开集分类器的目标域通过最小化类熵。由此产生的框架是联合国裁军事务厅所有基线中最简单的，对超参数的值不敏感，但性能大大优于基线。
2021-08-24 cs.CV
Adversarial Network with Multiple Classifiers for Open Set Domain Adaptation
Federation University（联邦大学）；Murdoch University（莫道克大学）
领域自适应的目的是将知识从具有足够标记样本的领域转移到具有稀缺标记样本的领域。先前的研究已经在文献中引入了各种开集领域自适应设置，以扩展领域自适应方法在现实世界场景中的应用。本文重点研究了开集领域自适应的类型，其中目标域既有私有（“未知类”）标签空间，又有共享（“已知类”）标签空间。然而，源域只有“已知类”标签空间。流行的分布匹配领域自适应方法是不够的，在这样的设置，需要适应从一个较小的源域到一个更大的和不同的目标域与更多的类。为了解决这种特定的开集领域自适应设置，现有研究引入了一种领域对抗模型，该模型使用固定阈值来区分已知和未知的目标样本，并且缺乏处理负转移。我们扩展了他们的对抗模型，提出了一种新的对抗领域自适应模型与多个辅助分类器。所提出的多分类器结构引入了一个加权模块，该模块评估不同的域特征，用于为目标样本分配权重，这些权重更能代表它们是否可能属于已知和未知类，以鼓励对抗训练期间的积极转移，同时减少源域和目标域的共享类之间的域间隙。一个彻底的实验研究表明，我们提出的方法优于现有的领域自适应方法在一些领域自适应数据集。
2020-08-07 cs.CV
Fair Classification via Domain Adaptation: A Dual Adversarial Learning Approach
Illinois Institute of Technology（伊利诺伊理工学院）
本文提出一种双对抗学习框架，利用源域敏感属性通过域自适应实现目标域公平分类，在目标域无敏感属性时仍保持有效。
2023-05-30 cs.AI cs.LG
Open Set Domain Adaptation: Theoretical Bound and Algorithm
University of Technology Sydney（悉尼科技大学）
无监督领域自适应的目的是利用标记（源）域中的知识来提高模型在未标记（目标）域中的学习性能-基本策略是减轻两个分布之间差异的影响。大多数现有算法只能处理无监督闭集领域自适应（UCSDA），即，其中假定源域和目标域共享相同的标签集。在本文中，我们的目标是一个更具挑战性，但现实的设置：无监督的开集领域自适应（UOSDA），其中目标域有未知的类，在源域中找不到。这是第一个研究提供了一个学习界的开集领域自适应，我们这样做，从理论上研究的风险目标分类器上未知的类。提出的学习界有一个特殊的术语，即开集差，它反映了目标分类器对未知类的风险。此外，我们提出了一种新的和理论指导的无监督算法的开集领域自适应，称为分布对齐与ppen差异（DAOD），这是基于正则化这个开集差界。在几个基准数据集上的实验表明，与文献中的最先进的方法相比，所提出的UOSDA方法的性能优越。
2020-10-08 cs.LG stat.ML
Intrinsic Motivation and Mental Replay enable Efficient Online Adaptation in Stochastic Recurrent Networks
Technische Universität Darmstadt（达姆施塔特工业大学）；Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Universität zu Lübeck（吕贝克大学）
自主机器人需要与未知、非结构化和不断变化的环境进行交互，不断面临新的挑战。因此，持续在线适应终身学习和样本效率机制的需求，以适应环境，约束，任务或机器人本身的变化至关重要。在这项工作中，我们提出了一个新的框架，概率在线运动规划与在线适应的基础上，生物启发的随机递归神经网络。通过使用模仿内在动机信号的学习信号，加上心理重放策略来强化经验，随机递归网络可以从很少的物理交互中学习，并在几秒钟内适应新的环境。我们在拟人KUKA LWR手臂上评估了我们的在线规划和自适应框架。快速在线自适应通过从少量物理交互中有效地学习未知的工作空间约束，同时遵循给定的路径点来实现。
2018-10-23 cs.AI cs.LG cs.RO
Beyond the Known: Enhancing Open Set Domain Adaptation with Unknown Exploration
Instituto de Computação, Universidade Estadual de Campinas (UNICAMP)（坎皮纳斯州立大学计算机研究所）；Department of Computing, Federal University of São Carlos (UFSCar)（圣卡洛斯联邦大学计算机系）；Department of Information Engineering and Computer Science, University of Trento (UniTN)（特伦托大学信息工程与计算机科学系）
本文提出一种改进开放集域适应（OSDA）的新方法，通过提取高置信度未知实例作为硬约束收紧分类边界，并采用三种损失约束策略及优化GAN训练，在保持相似H-score的同时显著提升了未知类别的准确率。
2024-12-24 cs.CV
Adaptive Prompt Learning with Negative Textual Semantics and Uncertainty Modeling for Universal Multi-Source Domain Adaptation
Sichuan University（四川大学）
针对通用多源域适应中忽略文本语义的问题，提出基于CLIP的APNE-CLIP方法，利用自适应提示、负文本语义对齐和能量不确定性建模，有效识别未知样本并提升分类性能。
2024-04-24 cs.CV
Universal Multi-Source Domain Adaptation
Nanjing University of Posts and Telecommunications（南京邮电大学）
无监督领域自适应使智能模型能够将知识从标记的源域转移到类似但未标记的目标域。近年来的研究表明，知识可以从一个源领域转移到另一个未知的目标领域，这就是通用领域自适应（UDA）。然而，在现实世界的应用中，经常有一个以上的源域被用于领域自适应。在本文中，我们正式提出了一个更一般的领域自适应设置，通用多源领域自适应（UMDA），其中多个源域的标签集可以是不同的，目标域的标签集是完全未知的。UMDA中的主要挑战是识别每个源域和目标域之间的公共标签集，以及随着源域数量的增加保持模型的可扩展性。为了解决这些挑战，我们提出了一个通用的多源自适应网络（UMAN）来解决领域自适应问题，而不会增加模型的复杂性，在各种UMDA设置。在UMAN中，我们通过预测裕度来估计公共标签集中每个已知类的可靠性，这有助于对抗训练更好地对齐公共标签集中多个源域和目标域的分布。同时也为UMAN的实现提供了理论保证。大量的实验结果表明，现有的UDA和多源DA（MDA）的方法不能直接应用于UMDA和建议的UMAN实现了国家的最先进的性能在各种UMDA设置。
2020-11-05 cs.AI cs.CV
Provably Uncertainty-Guided Universal Domain Adaptation
School of Control Science and Engineering at Shandong University（山东大学控制科学与工程学院）；School of Computer Science and Informatics, Cardiff University（卡迪夫大学计算机科学与信息学院）
本文提出不确定性引导的通用域自适应框架，通过估计目标样本属于未知类的概率、在带δ过滤器的线性子空间中搜索邻居并利用不确定性引导间隔损失平衡已知与未知样本置信度，在三个公开数据集上显著超越现有方法。
2024-09-30 cs.CV
Self-Paced Learning for Open-Set Domain Adaptation
Southeast University（东南大学）；Nanjing University of Science and Technology（南京理工大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Inception Institute of Artificial Intelligence（起源人工智能研究院）
领域自适应解决了将从源领域获得的知识推广到具有不同数据分布的目标领域的挑战。传统的领域自适应方法假设源域和目标域中的类是相同的，这在现实世界的场景中并不总是如此。开集领域自适应（OSDA）通过允许目标域中以前看不见的类来解决这一限制。开集领域自适应的目的是不仅识别属于源和目标域共享的公共类的目标样本，而且感知未知类样本。我们提出了一个新的框架，基于自定进度的学习，以区分常见的和未知的类样本精确，被称为SPLOS（自定进度的学习开放集）。为了利用未标记的目标样本进行自定进度的学习，我们生成伪标签，并设计了一种针对OSDA场景的跨域混合方法。这种策略最大限度地减少了来自伪标签的噪声，并确保我们的模型逐步学习目标域的常见类特征，从简单的示例开始，然后前进到更复杂的示例。此外，与现有的OSDA方法，需要手动超参数$threshold$调整，以分开常见的和未知的类，我们的方法自调整一个合适的阈值，消除了在测试过程中的经验调整的需要。综合实验表明，我们的方法始终实现优越的性能在不同的基准相比，各种国家的最先进的方法。
2023-03-21 cs.CV
Exploiting Inter-Sample Affinity for Knowability-Aware Universal Domain Adaptation
Shandong University（山东大学）；University of Electronic Science and Technology of China（电子科技大学）；Cardiff University（卡迪夫大学）
针对通用域适应中现有方法忽略已知与未知样本间亲和性的问题，提出利用样本间亲和性的新型框架，通过可感知性标注方案和辅助损失优化，在四个公开数据集上性能超越现有最优方法。
2023-08-22 cs.CV
Bridging the Theoretical Bound and Deep Algorithms for Open Set Domain Adaptation
Tsinghua University（清华大学）；University of Technology Sydney（悉尼科技大学）
在无监督开集领域自适应（UOSDA）中，目标域包含在源域中未观察到的未知类。该领域的研究人员旨在训练分类器，以准确地：1）识别未知目标数据（具有未知类别的数据），以及2）分类其他目标数据。为了实现这一目标，已有研究证明了目标域风险的一个上界，而开集差作为上界中的一个重要项，被用来度量未知目标数据上的风险。通过最小化上界，可以训练一个浅层分类器来实现目标。然而，如果分类器非常灵活（例如，深度神经网络（DNN）），当最小化上界时，开集差将收敛到负值，这导致大多数目标数据被识别为未知数据的问题。为了解决这个问题，我们提出了一个新的UOSDA目标域风险的上限，其中包括四个术语：源域风险，$ε$ -开集差（$Δ_ε$），域之间的分布差异，和一个常数。与开集差异相比，当它被最小化时，$Δ_ε$对问题更鲁棒，因此我们能够使用非常灵活的分类器（即，DNN）。然后，我们提出了一种新的原则指导的深度UOSDA方法，通过最小化新的上限来训练DNN。具体而言，源域风险和$Δ_ε$通过梯度下降最小化，分布差异通过一种新的开集条件对抗训练策略最小化。最后，与现有的浅层和深层UOSDA方法相比，我们的方法在几个基准数据集上显示了最先进的性能，包括数字识别（MNIST，SVHN，USPS），对象识别（Office-31，M-Home）和人脸识别（PIE）。
2020-06-23 cs.CV cs.LG stat.ML
Burn After Reading: Online Adaptation for Cross-domain Streaming Data
University of Maryland（马里兰大学）；Salesforce Research（Salesforce 研究院）
在在线隐私的背景下，许多方法提出了复杂的隐私和安全保护措施来保护敏感数据。在本文中，我们认为：不存储任何敏感数据是最好的安全形式。因此，我们提出了一个“阅后即焚”的在线框架，即每个在线样本在处理后立即删除。同时，我们解决了不可避免的分布偏移之间的标记的公共数据和未标记的私人数据作为无监督的领域自适应的问题。具体来说，我们提出了一种新的算法，旨在在线自适应设置的最根本的挑战-缺乏不同的源-目标数据对。因此，我们设计了一个跨域自举的方法，称为CroDoBo，以增加跨域的组合多样性。此外，为了充分利用不同组合之间的有价值的差异，我们采用了多个学习者与共同监督的培训策略。CroDoBo在四个领域自适应基准上实现了最先进的在线性能。
2021-12-08 cs.CV cs.LG
Simplifying Open-Set Video Domain Adaptation with Contrastive Learning
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
为了减少动作识别中的注释成本，已经提出了无监督视频领域自适应方法，其目的是从标记的数据集（即，源域）到未标记的数据集（即，目标域）。在这项工作中，我们解决了一个更现实的情况下，称为开放集视频领域自适应（OUVDA），目标数据集包含“未知”的语义类别，不与源共享。挑战在于对齐两个域的共享类，同时将共享类与未知类分开。在这项工作中，我们建议解决OUVDA与一个统一的对比学习框架，学习歧视和良好的聚类功能。我们还提出了一个面向视频的时间对比损失，使我们的方法，以更好地利用视频数据中的免费时间信息的特征空间聚类。我们发现，判别特征空间有利于更好地分离未知类，从而使我们能够使用一个简单的基于相似性的分数来识别它们。我们对多个OUVDA基准进行了彻底的实验评估，并显示了我们所提出的方法对现有技术的有效性。
2023-01-09 cs.CV
Fast OT for Latent Domain Adaptation
North Carolina State University（北卡罗来纳州立大学）；Chalmers University（查尔姆斯大学）
在本文中，我们解决了无监督领域自适应的问题。当目标数据的分布不同于用于建立模型的分布，并且目标数据的基本事实信息未知时，就需要进行这种调整。我们提出了一种算法，使用最优传输理论与可验证的高效和可实现的解决方案，学习最好的潜在特征表示。这是通过最小化将样本从目标域传输到源域的分布的成本来实现的。
2022-10-02 cs.CV cs.LG
Conditional Extreme Value Theory for Open Set Video Domain Adaptation
The University of Queensland（昆士兰大学）
随着媒体流的出现，视频动作识别对于各种应用已经变得越来越重要，但需要大规模数据标记的高代价。为了克服昂贵的数据标记的问题，已经提出了领域自适应技术，其从完全标记的数据（即，源域）到未标记的数据（即，目标域）。大多数视频领域自适应算法都是针对闭集场景提出的，在闭集场景中，所有类都在域之间共享。在这项工作中，我们提出了一个开放的视频领域自适应的方法来减轻域之间的差异源和目标数据，允许目标数据包含额外的类，不属于源域。不同于以往的作品，只专注于提高准确性的共享类，我们的目标是共同提高对齐的共享类和识别未知的样本。为了达到这一目标，类条件极值理论被应用于增强未知识别。具体而言，目标样本的熵值被建模为广义极值分布，这允许分离位于分布尾部的未知样本。为了缓解负传递问题，在对抗学习中利用由从样本熵到阈值的距离计算的权重，在这个意义上，置信源和目标样本被对齐，而不置信样本被推开。在小规模和大规模的跨域视频数据集上对该方法进行了全面的测试，取得了较好的性能。
2021-10-15 cs.CV cs.LG cs.MM
Domain Adaptation from Scratch
University of Edinburgh（爱丁堡大学）；Technion, IIT（以色列理工学院）
自然语言处理（NLP）算法正在迅速改进，但在应用于分发外的示例时往往会遇到困难。一个突出的方法，以减轻域差距是领域自适应，其中一个模型训练的源域是适应一个新的目标域。我们提出了一个新的学习设置，“从零开始的领域自适应”，我们认为这是至关重要的NLP的范围扩展到敏感领域的隐私保护的方式。在这种设置中，我们的目标是有效地注释来自一组源域的数据，以便训练的模型在数据不可用于注释的敏感目标域上表现良好。我们的研究比较了几种方法，这个具有挑战性的设置，从数据选择和领域自适应算法的主动学习范式，两个自然语言处理任务：情感分析和命名实体识别。我们的研究结果表明，使用上述方法缓解了域间隙，并将它们结合起来进一步改善了结果。
2022-09-02 cs.AI cs.CL cs.LG
Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation
Beijing University of Posts and Telecommunications（北京邮电大学）；University of Surrey（萨里大学）
无监督领域自适应旨在利用来自源域的标记数据来学习用于未标记目标域的分类器。在它的许多变体中，开集领域自适应（OSDA）可能是最具挑战性的，因为它进一步假设目标域中存在未知类。在本文中，我们研究了OSDA，特别侧重于丰富其穿越更大的域间隙的能力。首先，我们表明，现有的国家的最先进的方法遭受了相当大的性能下降，在存在较大的域差距，特别是在一个新的数据集（PACS），我们重新用于OSDA。然后，我们提出了一个新的框架，专门解决较大的域差距。关键的洞察力在于我们如何利用两个网络之间的互利信息;（a）分离已知和未知类的样本，（b）在不受未知样本影响的情况下，最大限度地减少源域和目标域之间的域混淆。由此可见，（a）和（b）将相互监督并交替，直到收敛。在Office-31、P2P-Home和PACS数据集上进行了大量的实验，证明了我们的方法与其他最先进的方法相比的优越性。代码可在https://github.com/dongliangchang/Mutual-to-Separate/获得
2020-03-10 cs.CV
S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation
Xidian University（西安电子科技大学）；Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education of China（中国教育部智能感知与图像理解重点实验室）
针对高光谱图像跨场景分类中光谱域偏移导致性能下降的问题，提出S4DL方法，通过梯度引导的空间-光谱分解、移位敏感自适应监视器和可逆神经网络，有效分离域特定与域不变特征，性能优于现有最先进方法。
2024-08-11 cs.AI cs.CV
LEAD: Learning Decomposition for Source-free Universal Domain Adaptation
Tongji University（同济大学）；Chemnitz University of Technology（开姆尼茨工业大学）；Technical University of Munich（慕尼黑工业大学）
针对无源通用域适应中目标域私有未知类别识别难的问题，提出LEAD方法，通过特征正交分解与实例级自适应决策边界识别私有数据，在多个场景取得更优性能且效率更高，可与现有方法互补。
2024-03-06 cs.AI cs.CV cs.LG
GEM: A Scale-Aware and Distribution-Sensitive Sparse Fine-Tuning Framework for Effective Downstream Adaptation
University of Southern California（美国南加州大学）；Inha University（inha大学）
本文提出GEM稀疏微调框架，通过梯度权重比和熵引导掩码实现尺度感知与分布敏感的参数选择，仅更新0.1%参数即可在多个任务上超越全量微调。
2025-08-22 cs.LG
Known-class Aware Self-ensemble for Open Set Domain Adaptation
University of Electronic Science and Technology of China（电子科技大学）；Huawei Technologies（华为技术有限公司）
现有的领域自适应方法一般假设不同领域具有相同的标签空间，这对实际应用有很大的限制。在本文中，我们专注于一个更现实和具有挑战性的情况下，开集领域自适应。特别地，在开集领域自适应中，我们允许来自源域和目标域的类部分重叠。在这种情况下，由于两个域中的标签空间不同，传统分布对齐的假设不再成立。为了应对这一挑战，我们提出了一种新的方法，称为已知类感知自集成（KASE），这是建立在最近开发的自集成模型。在KASE中，我们首先引入了一个已知类感知识别（KAR）模块来识别目标域中的已知类和未知类，这是通过鼓励已知类的低交叉熵和未知类的源数据的高熵来实现的。然后，我们开发了一个已知类感知自适应（KAA）模块，以更好地适应从源域的目标，通过重新加权的基础上的可能性属于已知类的未标记的目标样本的KAR预测的自适应损失。在多个基准数据集上的实验证明了该方法的有效性。
2019-05-03 cs.CV
Learning Factorized Representations for Open-set Domain Adaptation
QUT（昆士兰科技大学）；Monash University（莫纳什大学）；EPFL（洛桑联邦理工学院）
视觉识别的领域自适应在过去的几年里取得了很大的进展。然而，大多数现有的方法在所谓的闭集场景中工作，假设目标图像所描绘的类与源域的类完全相同。在本文中，我们解决了更具挑战性，但更现实的情况下，开集领域自适应，新的，未知的类可以存在于目标数据。虽然在无监督的情况下，人们不能期望能够识别每个特定的新类别，但我们的目标是自动检测哪些样本属于这些新类别，并将其从识别过程中丢弃。为此，我们依赖于这样的直觉，即描述已知类的源和目标样本可以由共享子空间生成，而来自未知类的目标样本来自不同的私有子空间。因此，我们引入了一个框架，将数据分解为共享和私有部分，同时鼓励共享表示具有歧视性。我们在标准基准测试上的实验证明，我们的方法在开集领域自适应方面明显优于最先进的方法。
2018-05-31 cs.CV
On the Effectiveness of Image Rotation for Open Set Domain Adaptation
Italian Institute of Technology（意大利技术研究院）；Politecnico di Torino（都灵理工大学）；TU Wien（维也纳工业大学）
开放集合领域自适应（OSDA）在标记的源域和未标记的目标域之间架起了域间隙的桥梁，同时也拒绝了源中不存在的目标类。为了避免负转移，可以通过首先分离已知/未知目标样本，然后将已知目标样本与源数据对齐来解决OSDA。我们提出了一种新的方法来解决这两个问题，使用旋转识别的自我监督任务。此外，我们评估的性能与一个新的开集度量，适当平衡的贡献，认识到已知的类和拒绝未知的样本。与现有的OSDA方法在标准的Office-31和OSD-Home基准上的比较实验表明：（i）我们的方法优于其竞争对手，（ii）该领域的可重复性是一个需要解决的关键问题，（iii）我们的度量提供了一个可靠的工具，可以进行公平的开放集评估。
2020-07-24 cs.CV
Tightening Classification Boundaries in Open Set Domain Adaptation through Unknown Exploitation
University of Campinas（坎皮纳斯大学）；University of Trento（特伦托大学）；Federal University of São Carlos（圣卡洛斯联邦大学）
本文提出通过提取高置信度未知实例作为硬约束来收紧OSDA分类边界，并设计三种损失约束方式，在Office-31和Office-Home上显著提升了OVANet的Accuracy和H-Score。
2023-09-16 cs.CV
Towards Novel Target Discovery Through Open-Set Domain Adaptation
Tulane University（杜兰大学）；Brandeis University（布兰迪斯大学）
开集领域自适应（OSDA）认为目标域包含外部源域中未观察到的新类别样本。然而，现有的OSDA方法往往忽略了对未知类别信息的需求，只是简单地将其识别为“未知”集合，而没有进一步的解释。这促使我们通过探索底层结构和恢复其可解释的语义属性来更具体地理解未知类别。在本文中，我们提出了一个新的框架，以准确地识别目标领域中的可见类别，并有效地恢复未见过的类别的语义属性。具体地说，结构保持部分对齐开发识别看到的类别，通过域不变的特征学习。视觉图上的属性传播是为了通过视觉语义映射将属性从可见的类别平滑地过渡到不可见的类别。此外，两个新的跨主基准被构造来评估所提出的框架中的新颖和实际的挑战。开集识别和语义恢复的实验结果表明，该方法优于其他比较基线。
2021-08-11 cs.CV
Self-Supervised Learning for Domain Adaptation on Point-Clouds
Bar-Ilan University（巴伊兰大学）；NVIDIA（英伟达）
自监督学习（Self-supervised learning，SSL）是一种从未标记数据中学习有用表示的技术。它已被有效地应用于图像和视频的领域自适应（DA）。它仍然是未知的，如果以及如何可以利用它的领域自适应在3D感知问题。在这里，我们描述了SSL的DA点云的第一次研究。我们引入了一个新的家庭的借口任务，变形重建，灵感来自模拟到真实的转换中遇到的变形。此外，我们提出了一种新的训练过程标记的点云数据的MixUp方法称为点云Mixup（PCM）的动机。对用于分类和分割的领域自适应数据集的评估表明，与现有方法和基线方法相比，有很大的改进。
2022-05-13 cs.CV cs.LG eess.IV
Towards Unsupervised Open-Set Graph Domain Adaptation via Dual Reprogramming
Nanjing University（南京大学）；National University of Singapore（新加坡国立大学）
针对无监督开集图域自适应问题，提出GraphRTA框架，通过图与模型双重重编程及新增未知类维度，实现已知类分类与未知类识别，性能优于现有基线。
2025-10-21 cs.LG
Divergence Optimization for Noisy Universal Domain Adaptation
The University of Tokyo（东京大学）；OMRON SINIC X Corporation（欧姆龙SINIC X公司）
通用领域自适应（UniDA）是一种将从标签丰富的源领域学习到的知识转移到标签稀缺的目标领域的方法，它对标签集没有任何约束。然而，在实践中，很难在资源有限的源域中获得大量完全干净的标记数据。现有的UniDA方法依赖于具有正确注释的源样本，这极大地限制了它们在现实世界中的应用。因此，我们考虑一个新的现实的设置，称为噪声UniDA，其中分类器的训练与噪声标记的数据从源域和未标记的数据与未知的类分布从目标域。本文介绍了一种双头卷积神经网络框架，同时解决所有问题。我们的网络由一个共同的特征生成器和两个不同的决策边界的分类器。通过优化两个分类器输出之间的差异，我们可以检测噪声源样本，找到目标域中的“未知”类，并对齐源域和目标域的分布。在广泛的评估不同的领域自适应设置，所提出的方法优于现有的方法在大多数设置的大幅度。
2021-04-01 cs.CV
Decoupled Adaptation for Cross-Domain Object Detection
BNRist（北京国家信息科学与技术研究中心）；Tsinghua University（清华大学）
跨域目标检测比目标分类更具挑战性，因为图像中存在多个目标，并且每个目标在未标记目标域中的位置是未知的。因此，在对不同目标的特征进行自适应以增强检测器的可移植性时，容易混淆前景和背景的特征，从而影响检测器的可分辨性。此外，以往的方法只关注类别自适应，而忽略了目标检测的另一个重要部分，即，限界框回归的自适应。为此，我们提出了D-adapt，即Decoupled Adaptation，将对抗性自适应和检测器的训练解耦。此外，本文还通过引入限界框适配器，填补了目标检测中回归领域自适应的空白。实验结果表明，D-adapt在四个跨领域目标检测任务上取得了最佳的效果，特别是在基准数据集Clipart 1 k和Comic 2k上，D-adapt的性能相对提高了17%和21%。
2022-05-09 cs.CV cs.LG
Imbalance-Agnostic Source-Free Domain Adaptation via Avatar Prototype Alignment
South China University of Technology（华南理工大学）；National University of Singapore（新加坡国立大学）
针对无源域自适应中类别分布不平衡的实际问题，提出T-CPGA方法，利用源模型和对比语言-图像预训练模型生成准确伪标签，并设计目标标签分布感知分类器，显著提升了不平衡场景下的域自适应性能。
2023-05-22 cs.CV
Open-Set Hypothesis Transfer with Semantic Consistency
UBTECH Sydney AI Centre, School of Computer Science, Faculty of Engineering, The University of Sydney（悉尼大学工程学院计算机科学学院UBTECH悉尼人工智能中心）
无监督开集领域自适应（UODA）是一个现实问题，其中未标记的目标数据包含未知的类别。现有方法依赖于源域数据和目标域数据的共存来执行域对齐，这在源域数据由于隐私问题而受到限制时极大地限制了它们的应用。本文讨论了具有挑战性的假设转移设置UODA，从源域的数据不再提供在目标域的适应。我们引入了一种方法，重点是在目标数据的转换，这是很少赞赏以前的领域自适应方法的语义一致性。具体来说，我们的模型首先发现可信的预测，并使用伪标签进行分类。然后，我们强制该模型在语义相似的输入上输出一致和明确的预测。其结果是，未标记的数据可以被分类到与源类或未知类相一致的判别类。实验结果表明，我们的模型优于国家的最先进的方法UODA基准。
2020-10-01 cs.CV cs.LG
Gains: Fine-grained Federated Domain Adaptation in Open Set
Laboratory for Big Data and Decision（大数据与决策实验室）；College of Science（科学学院）；Department of Computer Science and Technology（计算机科学与技术系）
针对开放联邦场景中新客户端持续加入带来的知识发现与适应问题，提出Gains，通过编码器—分类器拆分、细粒度发现、贡献聚合及抗遗忘机制提升源域与目标域性能。
2025-10-12 cs.AI cs.LG
Clustering-Enhanced Domain Adaptation for Cross-Domain Intrusion Detection in Industrial Control Systems
University of Malaya（马来亚大学）
本文提出一种增强聚类的领域适应方法，用于工业控制系统跨领域入侵检测，通过特征迁移学习和聚类增强策略提升检测准确性与稳定性。
2026-04-14 cs.AI cs.CR cs.LG
Domain Adaptation without Source Data
Yale University（耶鲁大学）；Chungnam National University（忠南大学）；Inha University（仁荷大学）
领域自适应假设来自源和目标域的样本在训练阶段期间是可自由访问的。然而，这样的假设在现实世界中很少是合理的，并且可能导致数据隐私问题，特别是当源域的标签作为标识符可能是敏感属性时。为了避免访问可能包含敏感信息的源数据，我们引入了无源数据领域自适应（SFDA）。我们的核心思想是利用来自源域的预训练模型，并以自学习的方式逐步更新目标模型。我们观察到，由预训练源模型测量的具有较低自熵的目标样本更有可能被正确分类。从这个，我们选择可靠的样本与自熵准则，并定义为类原型。然后，我们根据与类原型的相似性得分为每个目标样本分配伪标签。此外，为了减少来自伪标记过程的不确定性，我们提出了不需要任何可调超参数的基于集合到集合距离的滤波。最后，我们用来自预训练源模型的经过正则化的过滤的伪标签来训练目标模型。令人惊讶的是，在没有直接使用标记源样本的情况下，我们的PrDA在基准数据集上的性能优于传统的领域自适应方法。我们的代码可在www.example.com上公开获取
2021-08-30 cs.CV cs.LG eess.IV
Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation
JD AI Research（京东人工智能研究院）；City University of Hong Kong（香港城市大学）
无监督领域自适应近年来受到了广泛的关注。大多数现有的作品处理闭集场景，假设源和目标域共享完全相同的类别。然而，在实践中，目标域通常包含在源域中看不见的类的样本（即，未知类）。领域自适应从闭集到这种开集情形的扩展并不是微不足道的，因为不期望未知类中的目标样本与源对齐。在本文中，我们解决这个问题，通过增加国家的最先进的领域自适应技术，自集成，与类别不可知的集群在目标域。具体来说，我们提出了自集成与类别不可知的集群（SE-CC）-一种新的架构，引导领域自适应与特定于目标域的类别不可知的集群的额外指导。这些聚类信息提供了特定领域的视觉线索，促进了闭集和开集场景的自集成的推广。从技术上讲，首先对所有未标记的目标样本进行聚类，以获得类别不可知的聚类，这些聚类揭示了目标领域特有的底层数据空间结构。利用聚类分支来确保学习的表示通过将聚类上的估计分配分布与每个目标样本的固有聚类分布相匹配来保留这种底层结构。此外，SE-CC增强了互信息最大化的学习表示。在Office和VisDA数据集上进行了开集和闭集领域自适应的广泛实验，并报告了与最先进方法相比的优越结果。
2020-06-11 cs.CV
Universal Domain Adaptation for Remote Sensing Image Scene Classification
Technical University of Munich（慕尼黑工业大学）
目前的领域自适应方法（如无监督自适应方法）依赖于源域和目标域标签集之间关系的丰富先验知识，并且由于隐私或机密性问题，源数据往往不可访问，因此通常不能很好地适用于遥感图像分类的实际领域自适应场景。为此，我们提出了一个实用的通用领域自适应设置遥感图像场景分类，不需要先验知识的标签集。此外，针对源数据不可用的情况，提出了一种无需源数据的通用领域自适应方法。该模型的体系结构分为两个部分：源数据生成阶段和模型自适应阶段。第一阶段使用源域中的类可分性知识从预训练模型估计源数据的条件分布，然后合成源数据。有了这个合成的源数据，如果目标样本属于源标签集中的任何类别，则将其正确分类，否则将其标记为"未知”，这就成为一个通用的DA任务。在第二阶段，一种新的可转移的权重，区分在每个域中的共享和私有标签集，促进自动发现的共享标签集的适应，并成功地识别“未知”的样本。实验结果表明，无论源数据是否可用，该模型都能有效地进行遥感图像场景分类。该代码可在https://github.com/zhu-xlab/UniDA上获得。
2023-01-26 cs.CV
Order-preserving Consistency Regularization for Domain Adaptation and Generalization
University of Electronic Science and Technology of China（电子科技大学）；University of Amsterdam（阿姆斯特丹大学）；United Imaging Healthcare, Co., Ltd.（联影医疗科技股份有限公司）
本文提出保序一致性正则化（OCR），通过保持预测概率的顺序不变来增强模型对任务无关变换的鲁棒性，从而降低对领域特定属性的敏感度，并在五个跨领域任务上验证了其优势。
2023-09-23 cs.CV cs.LG
A Batch Normalization Classifier for Domain Adaptation
Blue Well 8, LLC（Blue Well 8有限责任公司）；Pioneer Square Labs（先锋广场实验室）
调整模型以在其训练集之外的不可预见数据上表现良好是一个常见的问题，继续激励新的方法。我们证明了在softmax激活之前，在输出层中应用批量归一化，可以在改进的ResNet模型中提高视觉数据域的泛化能力。该方法增加的计算复杂性度可以忽略不计，但优于许多明确学习对齐数据域的领域自适应方法。我们基准测试这种技术的家庭数据集，并表明，批量归一化与其他领先的方法是有竞争力的。我们表明，这种方法是不敏感的源数据在适应过程中的存在，并进一步提出训练张量分布的影响趋于稀疏。代码可在https://github.com/matthewbehrend/BNC上获得
2021-03-22 cs.CV cs.LG
OneRing: A Simple Method for Source-free Open-partial Domain Adaptation
Computer Vision Center, Universitat Autònoma de Barcelona（巴塞罗那自治大学计算机视觉中心）；Nankai University（南开大学）；Huawei Kirin Solution（华为麒麟解决方案部）
本文研究了无源开放部分领域自适应（SF-OPDA），它解决了源域和目标域之间同时存在领域和范畴转移的情况。在旨在解决数据隐私问题的SF-OPDA设置下，模型在目标适配期间不能再访问源数据。我们提出了一种新的训练方案来学习（n+1）路分类器来预测n个源类别和未知类别，其中只有已知源类别的样本可用于训练。此外，对于目标自适应，我们简单地采用加权熵最小化来使源预训练模型适应于没有源数据的未标记目标域。在实验中，我们表明我们的简单的方法优于目前的OPDA方法，需要源数据在适应。当在目标自适应过程中使用闭集领域自适应方法时，我们的无源方法在Office-31、M-Home和VisDA上的性能分别比当前最先进的OPDA方法高出2.5%、7.2%和13%。
2023-01-11 cs.CV cs.LG
Distance-based Hyperspherical Classification for Multi-source Open-Set Domain Adaptation
Politecnico di Torino（都灵理工大学）；Italian Institute of Technology（意大利技术研究院）
在封闭世界场景中训练的视觉系统在部署时遇到新的环境条件、新的数据分布和新的类别时会失败。如何走向开放世界学习是一个长期存在的研究问题。现有的解决方案主要集中在问题的特定方面（单域开集，多域闭集），或提出复杂的策略，结合几个损失和手动调整超参数。在这项工作中，我们通过引入HyMOS来解决多源开放集领域自适应：一个简单的模型，利用对比学习的力量及其超球面特征空间的属性来正确预测目标上的已知标签，同时拒绝属于任何未知类的样本。HyMOS在对比学习的实例转换中包含风格迁移，以获得领域不变性，同时避免负迁移的风险。根据观察到的数据分布定义自定进度的阈值，并在训练期间在线更新，从而允许处理已知-未知分离。我们在三个具有挑战性的数据集上验证了我们的方法。所获得的结果表明，HyMOS优于几个竞争对手，定义了新的国家的最先进的。https://github.com/silvia1993/HyMOS
2021-10-20 cs.CV
Subsidiary Prototype Alignment for Universal Domain Adaptation
Indian Institute of Science（印度科学学院）；Google Research（谷歌研究院）
通用领域自适应（UniDA）处理的是两个数据集之间的知识转移问题。目标是将未标记的目标样本分类为“已知”类别之一或单个“未知”类别。UniDA中的一个主要问题是负迁移，即“已知”和“未知”类的不对齐。为此，我们首先揭示了在深度网络的不同层中表现出的负转移风险和域不变性之间的有趣权衡。事实证明，我们可以在中间层实现这两个指标之间的平衡。为了设计一个有效的框架，基于这一见解，我们从视觉词袋（BoW）的动机。在一个中间层的类似BoW的表示中的词原型将表示较低级别的视觉基元，这些视觉基元可能不受高级特征中的类别转移的影响。我们开发的修改，鼓励学习的字原型，其次是字直方图为基础的分类。在此之后，附属原型空间对齐（SPA）可以被看作是一个闭集对齐问题，从而避免负迁移。我们实现了这一点，一个新的词直方图相关的借口任务，使闭集SPA，结合目标任务UniDA。我们证明了我们的方法在现有的UniDA技术之上的有效性，在三个标准的UniDA和Open-Set DA对象识别基准测试中获得了最先进的性能。
2022-10-28 cs.CV cs.LG
Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation and Gradual Alignment
University of Electronic Science and Technology of China（电子科技大学）
多媒体应用往往与跨领域知识转移有关，其中无监督领域自适应（UDA）可以用来减少领域转移。开集领域自适应（OSDA）的目的是在假设目标领域包含未知类的情况下，将知识从一个标记良好的源领域转移到一个未标记的目标领域。现有的OSDA方法一直强调协变量偏移，忽略了潜在的标签偏移问题。OSDA方法在域内类别不平衡和域间标签偏移的情况下性能急剧下降。然而，社会上对这一问题的关注却很少。研究了不平衡开集领域自适应（IOSDA）算法，其中协变量偏移、标签偏移和类别失配同时存在.为了减轻OSDA中标签偏移带来的负面影响，我们提出了开放集移动阈值估计和渐进对齐（OMEGA）-一种新的架构，改进了现有的OSDA方法类不平衡的数据。具体而言，提出了一种新的未知感知目标聚类方案，在目标域中形成紧密的簇，以减少标签偏移和域内类不平衡的负面影响。此外，移动阈值估计被设计为针对每个目标样本生成特定阈值，而不是针对所有目标样本使用一个阈值。在IOSDA、OSDA和OPDA基准测试上的大量实验表明，我们的方法可以显着优于现有的最先进的方法。代码和数据可在https://github.com/mendicant04/OMEGA上获得。
2023-03-09 cs.CV
DeepAstroUDA: Semi-Supervised Universal Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
人工智能方法在提高大型天文数据集的工作质量和速度方面显示出巨大的潜力，但这些方法的高度复杂性导致提取特定于天文数据集的非鲁棒特征。因此，这种方法不能很好地推广到多个数据集。我们提出了一个通用的域自适应方法，\textit{DeepAstroUDA}，作为一种方法来克服这一挑战。该算法执行半监督域自适应，可以应用于不同的数据分布和类重叠的数据集。非重叠类可以存在于两个数据集中的任何一个（标记的源域或未标记的目标域），并且该方法甚至可以在存在未知类的情况下使用。我们将我们的方法应用于三个不同复杂度的星系形态分类任务的例子（$3$类和$10$类问题），具有异常检测：1）在来自单个调查的不同观测年数之后创建的数据集（$1$和$10$观测年的LSST模拟数据）; 2）来自不同调查的数据（SDSS和DECaLS）; 3）同一次测量中不同深度观测场的数据（SDSS的宽场和Stripe 82深场）。这是第一次，我们证明了非常不一致的观测数据集之间的域适应的成功使用。\textit{DeepAstroUDA}能够弥合两次天文调查之间的差距，提高两个领域的分类精度（在未标记数据上高达$40\%$），并使模型性能在数据集之间保持一致。此外，我们的方法也表现良好的异常检测算法，并成功地聚类未知类样本，即使在未标记的目标数据集。
2023-03-22 astro-ph.GA cs.AI cs.CV
Less is More: Pseudo-Label Filtering for Continual Test-Time Adaptation
School of Electronics and Information Engineering, Suzhou University of Science and Technology（苏州科技大学电子与信息工程学院）；New Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室（注：此处New Laboratory of Pattern Recognition为NLPR，常见译名为模式识别国家重点实验室，若直译则为中国科学院自动化研究所新模式识别实验室））；College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）；School of Electronics and Information Engineering, Jiangnan University（江南大学电子与信息工程学院）
针对持续测试时自适应中伪标签噪声导致自适应不足的问题，提出带三条阈值原则的伪标签过滤器PLF与类别先验对齐方法，性能优于现有最优方案。
2024-07-12 cs.AI cs.LG
