无源领域自适应：Source Hypothesis Transfer for Unsupervised Domain Adaptation

Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation

Introduction

这是无源领域自适应的第一篇论文，之前的领域自适应往往是利用源域模型、源域数据进行迁移。考虑到源域数据的隐私性以及数据的庞大，作者创造性地提出了一种不借助源域数据，只利用从源域上训练出的模型向目标域进行迁移的方法——Source HypOthesis Transfer (SHOT)。

Method

上图是这篇论文提出的整体框架（SHOT），作者的思路很简单，首先利用源域数据有监督地训练出一个模型，然后利用源域模型初始化目标域模型，最后利用目标域数据训练该模型，完成迁移。在整个过程中，模型的分类器（图中的classifier）是固定不动的，也就是不参与训练，直接使用源域训练出来的分类器，我们只需重新训练特征提取器（feature extractor），使其与目标域数据适配。

Source Model Generation

这部分是源域模型的训练，利用卷积神经网络训练一个分类器。损失函数是交叉熵损失函数，不过作者为了提高模型分类的准确性，在损失函数中使用了标签平滑（label smoothing），训练源域模型的损失函数如下所示：