无源领域自适应：Source Hypothesis Transfer for Unsupervised Domain Adaptation Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation Introduction 这是无源领域自适应的第一篇论文，之前的领域自适应往往是利用源域模型、源域数据进行迁移。考虑到源域数据的隐私性以及数据的庞大，作者创造性地提出了一种不借助源域数据，只利用从源域上训练出的模型向目标域进行迁移的方法——Source HypOthesis Transfer (SHOT)。 Method 上图是这篇论文提出的整体框架（SHOT），作者的思路很简单，首先利用源域数据有监督地训练出一个模型，然后利用源域模型初始化目标域模型，最后利用目标域数据训练该模型，完成迁移。在整个过程中，模型的分类器（图中的 classifier）是固定不动的，也就是不参与训练，直接使用源域训练出来的分类器，我们只需重新训练特征提取器（feature extractor），使其与目标域数据适配。 Source Model Generation 这部分是源域模型的训练，利用卷积神经网络训练一个分类器。损失函数是交叉熵损失函数，不过作者为了提高模型分类的准确性，在损失函数中使用了标签平滑（label smoothing），训练源域模型的损失函数如下所示： SHOT-IM 这部分作者提出了一个信息最大化（Information Maximization）的方法进行从目标域到源域的对齐，即让目标域数据的特征和源域有着尽可能相似的分布。作者有着两方面的思考： 1、如果目标域数据和源域数据的差异被消除了，那么目标域数据的输出也应该和源域数据一样，是一个 one-hot 的形式。由此可联想到熵，只需最小化熵即可达到目的，这部分的损失函数如下： 2、尽可能让目标域数据的分类具有多样性，即每个类别都比较平均，只需计算出整个目标域的输出的平均值，使其熵最大即可。 其中 pk是目标域平均输出的第 k 个分量，也可理解为在第 k 个类别上输出的平均值。 Self-supervised Pseudo-labeling 上面提出的 SHOT-IM 方法目的是让目标域的特征与源域对齐，但作者注意到了一个问题，SHOT-IM 虽说将两个域的特征分布靠拢，但有可能会将目标域样本分到错误的类别中，如图所示： 可以看出，SHOT-IM 确实将特征对齐了，但有的样本还是被分到了错误的类别，针对此问题，作者提出了用伪标签进行自监督的方法，过程类似机器学习中的 k-means 聚类： 整个过程计算了两次聚类中...
