【伯克利博士论文】学习在动态环境中泛化，103页pdf

模型必须能够自我调整，以适应新环境。深度网络在过去十年取得了巨大成功，特别是当训练和测试数据来自相同的分布时。不幸的是，当训练(源)与测试(目标)数据不同时，性能会受到影响，这种情况称为域移位。模型需要自我更新以应对这些意外的自然干扰和对抗性扰动，如天气变化、传感器退化、对抗性攻击等。如果我们有一些标记的目标数据，可以使用一些迁移学习方法，如微调和少样本学习，以有监督的方式优化模型。然而，对目标标签的要求对于大多数现实场景是不实际的。本文专注于无监督学习方法，以将模型泛化到目标域。

http://t.cn/A6oxXcTU