可继承模型：无源数据的开集域自适应方法

"本文主要探讨了开集域自适应方法中的可继承模型及其在实际应用中的价值。在视觉识别领域，尤其是图像识别中，域适应是一个关键问题，尤其是在源域和目标域分布不同时。传统的开集域自适应方法依赖于标记的源数据集和未标记的目标实例，但在数据隐私或专有性质限制数据共享的情况下，这种方法面临挑战。为此，作者提出了一种新的实用DA范例，即源域训练的模型可以被继承，以便在没有源数据集的情况下促进未来的目标域自适应。知识继承性被形式化为一个新概念，并且设计了一个简单而有效的解决方案来构建可继承模型。此外，还提出了一种客观评估继承性的方法，用于在没有源数据的情况下选择最合适的源模型。该工作进行了详尽的实证评估，证明了在开集域自适应任务中取得的先进性能。相关代码可以在https://github.com/val-iisc/inheritune上获取。" 在开集域自适应中，目标域可能包含源域中未见过的新类别，这使得模型需要具备处理未知类别的能力。现有的方法往往需要同时访问源域的标记数据和目标域的未标记数据，但实际操作中，数据共享可能受限。为了解决这个问题，文章提出了一种新的方法，称为可继承模型，允许模型供应商在源域上训练模型，然后分享给客户端，客户端在没有源数据的情况下执行无监督自适应。这种方法降低了对源数据的依赖，增强了模型的实用性。 作者通过引入知识继承性概念，确保了模型在不同域间的适应性和泛化能力。他们还设计了一种方法，即使在没有源数据的情况下，也能评估模型的继承性，从而帮助选择最适合目标域的源模型。这项工作在图像识别任务上进行了广泛验证，展示了其在开集域自适应领域的优越性能。 总结来说，本文提出的可继承模型和知识继承性概念为域适应提供了一种新的视角，特别是在数据隐私和共享受限的环境中，它提供了一种有效解决方法，促进了模型在不同域之间的无监督适应。通过实验结果，这种方法展现出了强大的适应性和鲁棒性，对于推动域适应领域的理论发展和实际应用具有重要意义。