Active Domain Adaptation Under Concept Shift

Zikang Zhu

doi:10.1109/tpami.2026.3724718

Active Domain Adaptation Under Concept Shift

2026-08-17

0

PRE

AI

DOI：10.1109/tpami.2026.3724718

原文链接

原文求助

摘要

En 中文

主动领域自适应（ADA）通过从目标域中选择最具信息量的样本进行标注来增强迁移学习。无源变体ASFDA仅使用预训练的源模型和未标注的目标数据。然而，现有方法通常假设分布偏移仅源于特征或标签分布的变化，从而忽略了概念偏移（跨域中$p(y|x)$的分歧）。在本文中，我们提出ADA-CS，一个可与任何ADA或ASFDA框架兼容的即插即用模块。无需访问源数据，ADA-CS将概念偏移与其他偏移形式分离。概念偏移严重程度被量化，以优先标注$p(y|x)$差异最大的样本。我们进一步引入CSS指标来量化跨域的概念偏移严重程度，揭示许多迁移任务中存在不可忽视的概念偏移。在四个视觉基准（Office-31、Digits、DomainNet和Office-Home RSUT）和一个大规模表格数据集（USAccident）上的广泛实验表明，ADA-CS与各种主动学习、ADA和ASFDA策略结合时能提升性能。此外，适应过程中CSS的快速下降为我们的方法在识别和纠正概念偏移方面的有效性提供了直接证据。

Keyword:

Active domain adaptation

concept shift

sample selection

Active Domain Adaptation Under Concept Shift

摘要

期刊

机构

引用论文