摘要：
LEAD：用于无源通用域自适应的学习分解 通用领域适应（UniDA）的目标是在存在协变量和标签转移的情况下进行知识转移。最近，出现了无源通用域适配（SF UniDA），可以在不访问源数据的情况下实现UniDA，由于数据保护政策，这往往更实用。主要的挑战在于确定协变量移位样本是否属于目标私有未知类别。 阅读全文
摘要：
无监督域自适应的域不可知相互激励 传统的无监督域自适应（UDA）致力于最大限度地减少域之间的分布差异，这忽视了从数据中利用丰富的语义，并难以处理复杂的域转换。一种有前景的技术是利用大规模预训练视觉语言模型的知识进行更有指导的适应。尽管做出了一些努力，但当前的方法通常会学习文本提示，分别嵌入源域和目标 阅读全文