On the Model-Agnostic Multi-Source-Free Unsupervised Domain Adaptation

本文介绍了一种新的多源无监督域自适应（MSFDA）设置：模型无关的多源无监督域自适应（MMDA），允许使用具有不同结构的多种源模型，而不受定量限制。虽然MMDA具有很大的潜力，但整合众多源模型存在包含不需要的模型的高风险，这突显了源模型选择问题。为了解决这个问题，我们首先提供了一个关于这个问题的理论分析。我们揭示了两个基本的选择原则：可转移性原则和多样性原则，并介绍了一个将它们整合起来的选择算法。然后，考虑到可转移性的衡量是具有挑战性的，我们提出了一种新颖的无源无监督可转移性估计（SUTE）方法。这种新的方法使得在域偏移的情况下，能够评估和比较具有不同结构的多个源模型的可转移性，而不需要访问任何目标标签或源数据。基于上述内容，我们提出了一个新的框架来解决MMDA。具体来说，我们首先基于提出的选择原则进行源模型选择。随后，我们设计了两个模块来聚合包含模型的知识和回收排除模型的有用知识。这些模块使我们能够有效地利用源知识，从而支持我们通过自适应学习一个具有区分性的目标模型。我们通过大量实验结果验证了我们方法的有效性，并证明了我们的方法达到了最先进的性能水平。

本论文旨在解决多源无监督域自适应（MSFDA）中的源模型选择问题，提出了一种新的模型无关多源无监督域自适应（MMDA）框架，并通过引入转移性原则和多样性原则，提出了一种源模型选择算法。

MMDA框架允许使用不同架构的多个源模型，提出了一种新的源模型选择算法，通过Source-Free无监督传递性评估（SUTE）进行源模型的选择，设计了两个模块来聚合包含模型的知识和回收排除模型的有用知识，从而有效地利用源知识。

论文提出了一种新的MMDA框架和源模型选择算法，通过SUTE进行源模型的选择，设计了两个模块来聚合包含模型的知识和回收排除模型的有用知识，实验结果表明该方法在各种数据集上均取得了最先进的性能。

最近的相关研究包括多源域自适应和无监督域自适应等领域的研究。