.png){kind=icon}
返回
Active source-free open-set domain adaptation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114342.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
源无开放集领域自适应（SFODA）旨在将源模型迁移到无标签的目标域，而无需明确的类别限制。然而，SFODA场景面临着准确识别新类样本真实标签的挑战。本文提出一个新的研究问题，称为主动源无开放集领域自适应（ASFODA）。通过标注少量主动样本的预算，ASFODA不仅旨在识别常见类样本，还能检测和识别新类样本。我们的研究表明，目标主动样本应表现出异常不确定性和多样性特征，而这些特征并未被现有的主动学习策略所捕获。为弥补这些不足，我们提出一种名为多样结构学习（DSL）的方法，该方法由局部多样性标注（LDA）和局部一致性学习（LCL）组成。基于观察到常见类和新类最初倾向于形成不同簇的观察结果，LDA被设计用于利用这种结构特性。它标注位于簇高密度区域的可靠样本，从而促进对目标主动样本的探索。同时，LCL通过在这些簇之间构建互联样本，应对新类簇可能具有相同标签但位置分散的挑战。这有效地学习了位于这些簇之间的不确定新类样本。广泛的实验验证了DSL的有效性，在ASFODA场景下实现了超过15%的提升。
