Zu einer verbesserten unsupervisierten Domänenanpassung (UDA). Kürzlich haben Forscher verschiedene domänenbedingte Aufmerksamkeitsmodule vorgeschlagen und dabei vielversprechende Fortschritte erzielt. Da jedoch die Konfiguration der Aufmerksamkeit – also Art und Position des Aufmerksamkeitsmoduls – erheblichen Einfluss auf die Leistung hat, ist es allgemeiner und sinnvoller, die Aufmerksamkeitskonfiguration automatisch zu optimieren, um sie speziell für beliebige UDA-Szenarien zu spezialisieren. Erstmals stellt dieser Artikel EvoADA vor: einen neuartigen Rahmen, der die Evolution der Aufmerksamkeitskonfiguration für eine gegebene UDA-Aufgabe ohne menschliches Eingreifen ermöglicht. Insbesondere schlagen wir einen innovativen Suchraum vor, der vielfältige Aufmerksamkeitskonfigurationen enthält. Um die Aufmerksamkeitskonfigurationen zu bewerten und den Suchprozess auf UDA auszurichten (Transferierbarkeit + Diskriminierbarkeit), verwenden wir eine einfache und effektive Bewertungsstrategie: 1) Training der Netzwerkparameter auf zwei Domänen mittels etablierter Domänenanpassungsmethoden; 2) Evolution der Aufmerksamkeitskonfigurationen unter der Anleitung der Diskriminierungsfähigkeit auf der Ziel-Domäne. Experimente an verschiedenen Kreuz-Domänen-Benchmarks – darunter Office-31, Office-Home, CUB-Paintings und Duke-Market-1510 – zeigen, dass EvoADA mehrere aktuelle State-of-the-Art-Methoden für Domänenanpassung konsistent verbessert, und dass die optimalen Aufmerksamkeitskonfigurationen dazu beitragen, eine höhere Leistung zu erzielen.