.png){kind=icon}
返回
Unsupervised Robust Domain Adaptation: Paradigm, Theory and Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02614-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督域适应（UDA）旨在通过解决域偏移问题，将知识从标签丰富的源域转移到无标签的目标域。大多数UDA方法强调迁移能力，但往往忽视了对抗攻击下的鲁棒性。尽管原始对抗训练（VAT）提高了深度神经网络的鲁棒性，但对UDA的影响甚微。本文着重回答三个关键问题：1）以防御有效性著称的VAT为何在UDA范式中失效？2）攻击下的泛化界理论是什么，以及它如何从经典UDA理论演变而来？3）如何在不进行复杂修改的情况下实现鲁棒化训练过程？具体而言，我们探讨了并揭示了通用UDA+VAT范式中固有的纠缠挑战，并提出了一种无监督鲁棒域适应（URDA）范式。我们进一步推导了URDA范式的泛化界理论，使其能够抵抗对抗噪声和域偏移。据我们所知，这是首次建立URDA范式及其理论。我们进一步引入了一种简单、新颖且有效的URDA算法，称为解耦对抗鲁棒性训练（DART），这是一种两步训练过程，确保同时具备迁移性和鲁棒性。DART首先预训练任意UDA模型，然后通过解耦蒸馏应用瞬时的鲁棒化后训练步骤。在有无攻击的四个基准数据集上的实验表明，DART在保持域适应性的同时有效增强了鲁棒性，并验证了URDA范式和理论。
Keyword:
Unsupervised Domain Adaptation
Adversarial Robustness
Entanglement Challenge
Disentangled Distillation
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
分享收藏
Uncertainty-aware pseudo-label filtering for source-free unsupervised domain adaptation用于无源无监督域自适应的不确定性感知伪标签过滤.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容