近日，世俱杯sjb官网人工智能与大数据学院在无源域自适应研究方向取得新进展。由我院吴志泽教授等完成的论文《Progressive Debiasing and Boundary Adaptation for Source-Free Domain Adaptation》（面向无源域自适应的渐进式去偏与边界适配）被计算机领域国际期刊《Frontiers of Computer Science》正式录用并在线发表。该期刊入选中国计算机学会（CCF）计算领域高质量科技期刊分级目录T1类期刊（“计算领域高质量科技期刊分级目录”分为T1、T2、T3三类，T1为最顶级期刊，T2为非常优秀期刊，T3为优秀期刊）。
吴志泽教授为论文第一作者，2023级硕士生张敏、2025级硕士生付余涛为学生作者，世俱杯sjb官网蒋越博士与中国科学技术大学徐童教授为通讯作者，世俱杯sjb官网人工智能与大数据学院为第一完成单位。
研究背景：破解无源域自适应的双重难题
深度学习模型部署到新场景时，常因训练数据与应用数据分布不同而出现性能下降。无源域自适应（Source-Free Domain Adaptation，SFDA）无需访问源域数据，仅利用预训练模型和无标签目标域数据完成适配，适用于数据隐私和所有权受限的应用场景。
SFDA主要面临两个相互关联的问题：源模型参数中固化的源域偏差会限制目标域特征学习；模型生成的错误伪标签又会在自训练过程中不断影响决策边界。两者相互强化，容易降低模型的跨域泛化能力和适配稳定性。
图注：P2A首先通过偏差缓解剪枝削弱源域特定的参数依赖，再利用边界精化负学习抑制伪标签噪声并优化目标域类别边界。
创新成果：提出渐进式剪枝适配框架P2A
针对上述问题，研究团队提出P2A框架，按照先缓解源域偏差、再精化目标域决策边界的思路完成渐进式适配。其核心设计包括三个方面：
1.偏差缓解剪枝：在目标域适配前对源模型进行非结构化剪枝，将部分低幅值参数置零并保留其后续可训练性，削弱源域特定的参数依赖，提升模型可塑性。
2.边界精化负学习：利用高置信度负伪标签构建负样本抑制和类间间隔约束，减少错误正伪标签的干扰，使目标域决策边界更加清晰稳定。
3.双模型非对称协同机制：联合经过BAP初始化的模型和完整参考模型，仅使用两者预测一致且置信度较高的样本作为监督，以提高伪标签质量和训练鲁棒性。
实验成效与学术价值
研究团队在Office-31、Office-Home和DomainNet-126三个经典数据集上开展实验。P2A在DomainNet-126上的平均分类准确率达到73.1%，较SHOT提升5.0个百分点，并在12项迁移任务中的9项取得最优结果；在Office-Home和Office-31上的平均准确率分别达到74.1%和90.7%，较SHOT分别提升2.3个和2.1个百分点。
消融实验表明，BAP和BNL均能独立提升性能，联合使用时效果最佳。注意力热图和特征分布结果显示，P2A能够更加聚焦任务相关区域，使同类特征更加紧凑、不同类别的边界更加清晰。该研究进一步拓展了模型剪枝的作用，为隐私保护和数据受限条件下的视觉模型迁移提供了新思路。
结语与展望
此次成果的发表，是我院在安全可信人工智能与泛化理论、大模型驱动的视觉感知与应用、鲁棒多模态智能系统构建等方向持续深耕的重要进展。未来，学院将继续加强科研创新和协同攻关，推动高水平研究成果产出。
论文题目：Progressive Debiasing and Boundary Adaptation for Source-Free Domain Adaptation
论文链接：https://journal.hep.com.cn/fcs/EN/10.1007/s11704-026-61263-9
（人工智能与大数据学院 撰稿：付余涛 初审：嵇圣硙 复审：吴志泽 终审：胡萍）