近日，实验室2021级博士生王帆一篇论文“BIAS: Bridging Inactive and Active  Samples for Active  Source Free  Domain Adaptation ”（作者：王帆，韩忠义，尹义龙）被中科院一区期刊Knowledge-Based Systems (KBS) 录用。KBS是人工智能领域的国际性交叉学科期刊，该期刊专注于基础知识和基于其他人工智能技术的研究，发表该领域的原创、创新和创造性成果。KBS属于中科院SCI期刊分区计算机科学类一区期刊。

作为一种实际的数据保护领域适应场景，源域无关域适应一直存在着性能瓶颈。主动源域无关域适应(ASFDA)通过探索少量主动标记的目标样本可以缓解这个问题。由于ASFDA中的主动选择偏差，主动样本通常是难样本，因为它们对源域模型具有挑战性，而非主动样本由已经很好学习的非难例样本和未探索的中难例样本组成。因此，非主动样本和主动样本的分布通常是不同的。我们进行了严格的理论分析，揭示了减少它们之间的分布差异对于模型泛化是至关重要的。然而，以往的域适应方法由于非主动样本和主动样本之间的严重类别不平衡和数量不平衡问题，无法减少这种分布差异。在这项工作中，我们提出了桥接非主动样本和主动样本(BIAS)的方法，通过利用它们的分布特征来隐式地对齐它们的分布。通过构建和学习，我们通过新颖的互补主动选择获得的可靠非难例样本和难例样本之间的中间样本，BIAS可以有效地对齐非主动样本和主动样本的分布，并全面学习未探索的中的难例样本。广泛的实验证明，BIAS可以集成到现有的ASFDA方法中，并显著提高它们的性能，在某些迁移任务中准确率提高超过4%。