.png){kind=icon}
返回
Robust Source-Free Domain Adaptation From Non-Robust Source Models
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2026.3661392.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期有少数研究尝试训练具有对抗鲁棒性的无监督域适配（UDA）模型，旨在将鲁棒性从鲁棒源模型或其他鲁棒预训练模型迁移到无标签的目标域。然而，通常假设鲁棒源模型或鲁棒预训练的可用性是不切实际的，同时，在许多现实场景中，源数据并不总是可获取或对适配训练高效。本文深入研究了更实际且更具挑战性的无源域适配鲁棒性问题：在仅给定非鲁棒源模型（无源数据）的情况下，我们能否在无标签目标域上训练一个鲁棒模型？经验上，我们发现将对抗训练（AT）应用于自监督适配过程会导致严重的模型退化，因为它倾向于放大UDA模型不可避免的误差。为解决此问题，我们提出了一种名为源域无关交替优化（SFAO）的新方法，该方法利用非鲁棒目标模型为期望的鲁棒目标模型的AT提供更好的指导。两个模型以交替方式训练，以最小化干净源域与对抗目标域之间的差异。此外，我们提出了软约束对抗训练（SCAT），以进一步缓解AT中错误伪标签的不利影响。广泛的实验结果表明，所提出的方法在干净数据和对抗数据上都显著提升了模型性能。源代码可在以下网址获取：https://github.com/Coxy7/robust-SFDA。
Keyword:
Unsupervised domain adaptation
source-free domain adaptation
adversarial robustness
adversarial training
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
查看更多内容