UMAD: Universal Model Adaptation unter Domänen- und Kategoriewechsel

Das Lernen, unbekannte Proben (die in den Quellklassen nicht enthalten sind) im Zielbereich abzulehnen, ist für die unüberwachte Domänenanpassung (UDA) von großer Bedeutung. Es existieren zwei typische UDA-Szenarien: das Open-Set- und das Open-Partial-Set-Szenario. Letzteres geht davon aus, dass nicht alle Quellklassen im Zielbereich auftreten. Die meisten bisherigen Methoden sind jedoch für ein einzelnes UDA-Szenario konzipiert und erzielen auf dem anderen Szenario stets schlechte Ergebnisse. Zudem erfordern sie während der Anpassung gelabelte Quelldaten, was ihre Anwendbarkeit in datenschutzsensitiven Anwendungen einschränkt. Um diese Probleme anzugehen, schlägt dieser Artikel einen Universal Model ADaptation (UMAD)-Rahmen vor, der beide UDA-Szenarien ohne Zugriff auf Quelldaten und ohne vorherige Kenntnis über die Klassenverschiebung zwischen den Domänen bewältigt. Konkret zielen wir darauf ab, ein Quellmodell mit einem elegant gestalteten Zwei-Kopf-Klassifikator zu lernen und dieses dem Zielbereich bereitzustellen. Während der Anpassung entwickeln wir eine informativ konsistente Bewertung, um unbekannte Proben von bekannten Proben zu unterscheiden. Um eine bilaterale Anpassung im Zielbereich zu erreichen, maximieren wir zudem die lokalisierte gegenseitige Information, um bekannte Proben mit dem Quellklassifikator zu alignen, und setzen eine entropische Verlustfunktion ein, um unbekannte Proben von der Klassifikationsgrenze des Quellmodells fernzuhalten. Experimente auf Open-Set- und Open-Partial-Set-UDA-Szenarien zeigen, dass UMAD als einheitlicher Ansatz ohne Zugriff auf Quelldaten vergleichbare, wenn nicht sogar überlegene Leistung gegenüber den aktuell besten datenabhängigen Methoden erzielt.