SafeCut：无源域适应中的可靠性门控双向纠错

无源域适应（SFDA）在不能访问原始源域时，将源预训练模型适应到无标签目标域。早期单模型自细化易受确认偏差影响，难以纠正系统错误。近期方法以视觉语言（ViL）模型作外部知识源，但主要单向监督源模型，忽略两者失败模式不同：一个错误时另一个可能正确，形成双向纠错机会。无真实标签时判断谁正确并不简单，直接交换预测可能跨模型传播错误。我们提出SafeCut，以切割统计量作无标签预测可靠性度量，对跨模型监督门控。依据相对可靠性动态控制监督方向和强度，逐样本放大真正纠正并抑制错误纠正。我们给出理论说明，可靠性门控保证净正纠错信号。多个SFDA基准实验达到最先进表现，体现切割统计保障双向纠错的有效性。