「AI Drive」是由 PaperWeekly 和 biendata 共同發起的學術直播間，旨在幫助更多的青年學者宣傳其最新科研成果。我們一直認為，單向地輸出知識并不是一個最好的方式，而有效地反饋和交流可能會讓知識的傳播更加有意義，從而產生更大的價值。

本期 AI Drive，我們邀請到浙江大學計算機學院博士生馮浩哲，為大家在線解讀其發表于 ICML 2021 的最新工作：KD3A: Unsupervised Multi-Source Decentralized Domain Adaptation via Knowledge Distillation。對本期主題感興趣的小伙伴，7 月 13 日（周二）晚 7 點，我們準時相約 PaperWeekly B 站直播間。

直播信息

傳統的無監督多源域適應方法假設所有源域都可以直接訪問。然而，該假設忽略了隱私保護政策，即所有數據和計算都必須在本地進行。在隱私保護要求下進行域遷移存在三個挑戰：首先，最小化域間距離需獲取源域和目標域的數據并進行成對計算，而源域數據不可獲取。其次，通信成本和隱私安全限制了現有域遷移方法的應用，例如域對抗訓練。最后，由于無法控制源域數據質量，更易出現不相關或惡意的源域，從而導致負遷移。

為解決上述問題，我們提出一種滿足隱私保護要求的去中心化無監督域遷移范式，稱為基于知識蒸餾的去中心化域適應（KD3A），通過對不同源域的模型進行知識蒸餾來進行知識遷移。大量實驗表明，KD3A 顯著優于其他前沿域遷移方法。此外，與其他去中心化的域遷移方法相比，KD3A 對負遷移具有魯棒性，并可將通信成本降低 100 倍。

論文標題：

KD3A: Unsupervised Multi-Source Decentralized Domain Adaptation via Knowledge Distillation

論文鏈接：

https://arxiv.org/abs/2011.09757

代碼鏈接：

https://github.com/FengHZ/KD3A

本次分享的具體內容有：?

• 背景介紹：現有無監督多源域適應 方法的基本范式

• 研究動機：隱私保護法案簡介，法案約束下域遷移方法存在的三個挑戰

• 相關工作：聯邦對抗域遷移，無源 (Source-free) 域遷移

• 方法實現：基于知識蒸餾的去中心化域適應方法

• 理論分析：算法實現與泛化誤差界

• 實驗結果：域適應精度，對負遷移的魯棒性分析，通信成本分析

• 總結：論文總結，開源代碼介紹與未來展望

嘉賓介紹

?馮浩哲?/ 浙江大學博士生?

馮浩哲， 浙江大學計算機學院 CAD&CG 國家重點實驗室三年級博士生，導師陳為教授。主要研究方向為遷移學習，無監督表征學習，以及隱私保護的模型訓練。以第一作者身份在 AAAI /ICML /TKDE 上發表多篇論文，個人主頁為www.fenghz.xyz/about.

直播地址?& 交流群

本次直播將在 PaperWeekly B 站直播間進行，掃描下方海報二維碼或點擊閱讀原文即可免費觀看。線上分享結束后，嘉賓還將在直播交流群內實時 QA，在 PaperWeekly 微信公眾號后臺回復「AI Drive」，即可獲取入群通道。

B 站直播間：

https://live.bilibili.com/14884511

合作伙伴

????

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

以上是生活随笔為你收集整理的直播 | ICML 2021论文解读：满足隐私保护要求的去中心化无监督域迁移范式的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。