近日，实验室2019级博士生韩忠义一篇论文“Discriminability  and Transferability Estimation: A Bayesian Source Importance Estimation  Approach for Multi-Source-Free Domain Adaptation”（作者：韩忠义，张致晏，王帆，何润东，苏皖，袭肖明，尹义龙）被国际人工智能顶尖会议AAAI 2023录用，AAAI是中国计算机学会（CCF）推荐的人工智能领域A类会议。

源域无关域适应（SFDA）在不访问源域数据的情况下将单一源模型转移到无标签目标域。随着各个领域的智能化发展，源域模型库更加普遍，形成多源域无关域自适应问题（MSFDA）。本文发现，MSFDA固有的关键挑战是如何估计每个源模型的重要性（贡献）。本文对源模型重要性的后验概率与可判别性和可迁移性相联系这一事实进行了新的贝叶斯式的阐述。本文提出了可辨别性和可迁移性估计（DATE），这是一个用于源模型重要性估计的通用解决方案。具体来说，一个代理可辨别性感知模块配备了样本栖息地的不确定性和密度来评估每个样本的周围环境。一个源相似性可转移性感知模块对数据分布相似性进行量化，并鼓励可转移性在领域多样性损失下进行合理分布。大量实验表明，DATE可以精确和客观地估计源模型的重要性，并大幅度超过了已有的方法。此外，实验表明，DATE可以把最流行的SFDA网络作为骨干，使其成为先进的MSFDA解决方案。