底线主要收获和贡献：
* 我们提出了一个在线领域自适应框架，该框架允删除（而不是存储）。换句话说，我们创建了一个框架来在机器学习环境中实现“被遗忘权”。
* 我们设计了一种新颖的算法来解决在线自适应设置中最根本的挑战：缺乏多样化的源-目标数据对。我们的跨域引导（CroDoBo）方法增加了跨域组合数据的多样性。
* 我们的在线领域自适应算法实现了最新的最佳在线结果，并且与离线设置的结果相当。
* 后者的成就意义重大，因为离线设置允许访问更完整的数据集，而我们的在线框架可以访问的数据较少。
* 尽管是一个简单的框架，但我们的方法与离线设置相当的性能表明它是一个绝佳的选择（即使只是为了提高时间效率），并且是一个值得进一步探索的研究领域。
探索更多
Salesforce AI Research 诚邀您深入了解本博文（链接如下）中讨论的概念。欢迎通过社交媒体和我们的 手机号数据库列表 网站与我们联系，定期获取本研究项目及其他研究项目的最新消息。
关于作者
陈泽元是 Salesforce Research 的首席研究工程师。他的研究方向包括计算机视觉、机器人流程自动化 (RPA) 和多模态基础模型。
徐冉是 Salesforce Research 应用研究总监。他领导计算机视觉和多模态研究，帮助团队将研究成果转化为 AI 产品，并推动客户成功。
在此期间，杨璐宇在 Salesforce Research 担任研究实习生。她拥有马里兰大学计算机科学系的博士学位。她的研究兴趣包括领域自适应、噪声标签学习和鲁棒模型学习。