Vereinheitlichte Quellfreie Domänenanpassung

Im Bestreben, ein Quellmodell ohne Zugriff auf die Quelltrainingsdaten in eine Zieldomäne zu übertragen, wurde die Quellfreie Domänenanpassung (SFDA) in verschiedenen Szenarien umfassend untersucht, einschließlich geschlossener, offener, partieller und generalisierter Einstellungen. Bestehende Methoden, die sich auf spezifische Szenarien konzentrieren, adressieren nicht nur eine Teilmenge von Herausforderungen, sondern erfordern zudem Vorwissen über die Zieldomäne, was ihre praktische Nützlichkeit und Einsatzfähigkeit erheblich einschränkt. In Anbetracht dieser Überlegungen führen wir ein praktischer, jedoch herausfordernderes Problem ein, das als vereinheitlichte SFDA bezeichnet wird und alle spezifischen Szenarien auf eine einheitliche Weise umfassend einbezieht. Um dieses vereinheitlichte SFDA-Problem anzugehen, schlagen wir einen neuartigen Ansatz namens Latent Causal Factors Discovery (LCFD) vor. Im Gegensatz zu früheren Alternativen, die das Lernen der statistischen Beschreibung der Realität betonen, formulieren wir LCFD aus einer Kausalitäts-Perspektive. Das Ziel ist es, die kausalen Beziehungen zwischen latenten Variablen und Modellentscheidungen aufzudecken, um die Zuverlässigkeit und Robustheit des erlernten Modells gegenüber Domänenverschiebungen zu verbessern. Um umfassendes Weltwissen zu integrieren, nutzen wir ein vortrainiertes Visions-Sprachmodell wie CLIP. Dies unterstützt die Bildung und Entdeckung latenter kausaler Faktoren in Abwesenheit von Aufsicht bei der Variation von Verteilung und Semantik, gekoppelt mit einem neu gestalteten Informationsengpass mit theoretischen Garantien. Umfassende Experimente zeigen, dass LCFD neue state-of-the-art Ergebnisse in verschiedenen SFDA-Einstellungen sowie quellenfreie Generalisierung außerhalb der Verteilung erreichen kann. Unser Code und unsere Daten sind verfügbar unter https://github.com/tntek/source-free-domain-adaptation.