下图中绘制了在线流式
Posted: Thu Jul 10, 2025 10:18 am
下表总结了 VisDA-C 上的结果，并在传输准确率。如需查看其他数据集（例如 WILDS-Camelyon17、Fashion-MNIST 和 DeepFashion 等）的更多结果，请阅读我们的研究论文。
VisDA-C 在线准确率结果。X 轴表示目标查询的流式时间步长。每种方法均采用相同的随机扰动目标查询序列。
总体情况：研究和社会影响
我们的工作提出了一个在线领域自适应框架，其中目标数据在处理后会立即被删除。这对于个人的被遗忘权以及在线隐私保护的相关方面都是有益的。然而，虽然我们的方法改善了数据隐私，但仍然存在数据泄露的风险。与大多数神经网络一样，有人可能会故意利用深度神经网络权重的记忆效应来恢复隐私信息。我们将在未来的工作中专注于缓解这个问题。
除了提高安全性的方法外，我们还开发了一种新颖的在线 UDA 算法，以解决数据多样性（源数据和目标 手机号数据库列表 数据组合多样化）不足的问题；我们的方法增强了数据，使其能够轻松适应未知的目标领域。我们希望这种方法能够助力 UDA 以及人工智能和机器学习相关领域的未来研究。我们提出的方法实现了最先进的在线结果，并且与离线领域自适应方法的结果相当，这证明了我们的方法是一个实用且富有成果的研究方向。未来我们将致力于扩展其功能（例如，我们希望将 CroDoBo 扩展到更多任务，例如语义分割），这将进一步提升其积极影响。
VisDA-C 在线准确率结果。X 轴表示目标查询的流式时间步长。每种方法均采用相同的随机扰动目标查询序列。
总体情况：研究和社会影响
我们的工作提出了一个在线领域自适应框架，其中目标数据在处理后会立即被删除。这对于个人的被遗忘权以及在线隐私保护的相关方面都是有益的。然而，虽然我们的方法改善了数据隐私，但仍然存在数据泄露的风险。与大多数神经网络一样，有人可能会故意利用深度神经网络权重的记忆效应来恢复隐私信息。我们将在未来的工作中专注于缓解这个问题。
除了提高安全性的方法外，我们还开发了一种新颖的在线 UDA 算法，以解决数据多样性（源数据和目标 手机号数据库列表 数据组合多样化）不足的问题；我们的方法增强了数据，使其能够轻松适应未知的目标领域。我们希望这种方法能够助力 UDA 以及人工智能和机器学习相关领域的未来研究。我们提出的方法实现了最先进的在线结果，并且与离线领域自适应方法的结果相当，这证明了我们的方法是一个实用且富有成果的研究方向。未来我们将致力于扩展其功能（例如，我们希望将 CroDoBo 扩展到更多任务，例如语义分割），这将进一步提升其积极影响。