摘要

我们研究了一个实际的域适应任务，称为无源无监督域适应（source-free unsupervised domain adaptation, UDA）问题。在此任务中，由于数据隐私限制，无法访问源域数据，仅能获取一个预训练的源模型以及未标注的目标域数据。然而，这一任务极具挑战性，其核心难点在于：既缺乏源域数据，又无目标域真实标签，导致模型适应过程极为困难。为应对这一挑战，我们提出从源模型中挖掘隐含知识，并利用这些知识生成源域类别的虚拟原型（即每个源类别对应的代表性特征，称为“源域化身原型”），同时生成目标域的伪标签，以实现域间对齐。为此，我们提出了一种对比原型生成与适应（Contrastive Prototype Generation and Adaptation, CPGA）方法。具体而言，CPGA方法包含两个阶段：（1）原型生成阶段：通过分析源模型的分类边界信息，设计一个原型生成器，基于对比学习机制生成高质量的源域化身原型；（2）原型适应阶段：基于生成的源域原型与目标域伪标签，提出一种新的鲁棒对比原型适应策略，将每个伪标签化的目标样本逐步对齐至对应的目标源原型。在三个标准UDA基准数据集上的大量实验结果表明，所提出方法在域适应性能上具有显著有效性与优越性。