GLC++: Source-Free Universal Domain Adaptation through Global-Local Clustering and Contrastive Affinity Learning

深度神经网络在协变量和类别转移下往往表现出次优性能。无源域自适应（SFDA）提供了一个有希望的解决方案，但大多数SFDA方法局限于封闭集场景。本文探讨了无源通用域自适应（SF-UniDA），旨在准确分类属于公共类别的“已知”数据，并将其与目标专有的“未知”数据分离。我们提出了一种新的全局和局部聚类（GLC）技术，其中包括一种自适应的一对多全局聚类算法，用于区分目标类别，再加上一种本地k-NN聚类策略，以减轻负面转移。尽管有效，固有的封闭源架构导致“未知”数据的统一处理，阻碍了不同“未知”类别的识别。为了解决这个问题，我们将GLC发展为GLC ++，集成了对比亲和力学习策略。我们检验了GLC和GLC ++在多个基准和类别转移场景中的优越性。值得注意的是，在最具挑战性的开放部分集场景中，GLC和GLC ++在VisDA的H-score上分别比GATE高出16.7%和18.6%。GLC ++在Office-Home的开放集场景中将GLC的新类别聚类准确度提高了4.3%。此外，引入的对比学习策略不仅增强了GLC，而且还显著促进了现有的方法。

本论文旨在解决深度神经网络在面对协变量和类别转移时表现不佳的问题。同时，论文提出了一种新的解决方案：无源通用域自适应（SF-UniDA），旨在准确分类属于常见类别的“已知”数据，并将其与目标-私有“未知”数据隔离开来。

该论文提出了一种新的全局和局部聚类（GLC）技术，由自适应的一对多全局聚类算法和局部k-NN聚类策略组成，以缓解负迁移。此外，论文还提出了GLC++，该方法集成了对比亲和力学习策略，以解决“未知”数据的分类问题。

该论文在多个基准测试和类别转移场景中检验了GLC和GLC ++的优越性。在VisDA的最具挑战性的开放-部分集场景中，GLC和GLC ++的H分数分别比GATE高出16.7％和18.6％。在Office-Home的开放集场景中，GLC ++将GLC的新类别聚类准确性提高了4.3％。此外，该论文还提出的对比学习策略不仅增强了GLC，还显著促进了现有方法的发展。

在这个领域中，最近的相关研究包括：（1）基于对抗学习的领域自适应方法；（2）基于聚类的领域自适应方法；（3）基于生成模型的领域自适应方法。