综述：部署约束下的领域适应：统一的四轴空间、演化范式与系统级危机

《Neurocomputing》：Domain adaptation under deployment constraints: A unified four-axis space, evolutionary paradigms, and system-level crises

　　

摘要 计算机视觉模型的泛化能力受到静态训练假设与动态部署偏移之间不匹配的制约。领域自适应（DA）已从经典的无监督设置扩展到无源和测试时机制、开放世界标签空间不确定性以及基础模型流水线，但文献仍然碎片化。本综述通过四轴问题空间（目标监督、源配置/可访问性、标签空间关系以及目标暴露/更新协议）和约束目标视图统一了 DA，该视图将自适应分解为标签锚定、无标签桥接以及在可行更新集内的稳定性控制。在此视角下，四个非排他的机制家族——统计/对抗特征对齐、像素/生成变换、自引用自适应以及基础模型接口自适应——涵盖了广泛的表示更新和受约束接口，而不暗示严格的时间顺序。我们进一步分析了三种复合约束失效：标签不确定性下的可识别性、无源机制下的可允许验证以及流式更新下的长期稳定性。最后，我们提供了一份评估审计和以证据为导向的指南，强调可允许的选择渠道、风险感知指标、自适应时间计算、流式稳定性以及校准，以实现可审计、部署就绪的自适应。

引言 现代计算机视觉系统可以在分布内实现令人印象深刻的准确率，但它们在部署时的分布偏移下可靠性往往会急剧下降。例如，在精心策划的基准上训练的模型在真实世界部署中遇到夜间/雨天、传感器升级或协议更改时可能会失效。这种偏移源于传感器和采集协议、环境条件、数据策划流程以及不断演变的用户行为的变化，它们在自然图像和医学图像中都有广泛记录。在医疗工作流中，扫描仪供应商、重建设置和特定地点的协议会导致系统性的外观差异。这些差异通常难以通过固定数据集上的常规重新训练来消除 [1]。对于每个新环境重复进行数据收集和标注通常是不可行的 [2]。因此，这些现实情况激发了领域自适应（DA）：DA 不是从头重新学习，而是将使用源监督训练的预测器迁移到监督通道受限的目标分布中。

然而，实际部署很少表现为单一的“源 - 目标差异”。相反，它受复合约束支配。如图 1 所示，三种压力反复决定了什么自适应是可行的以及哪些失效模式占主导地位：目标侧的约束监督、开放世界标签不确定性和部署预算/治理（隐私、计算、内存和延迟）。这些压力往往同时发生（例如，无源和流式以及开放世界），由此产生的交互作用可能会产生负迁移、不安全的过度自信或不稳定的漂移，这些在良性基准假设下并不明显。

DA 建立在将目标风险与源拟合和分布差异项相关联的理论视角之上 [3], [4], [5], [6], [7]。这一观点激发了差异驱动的特征对齐 [8], [9], [10], [11], [12], [13], [14], [15], [16]、共享/私有表示分解 [17]、通过最优传输的几何匹配 [18], [19], [20] 以及像素/生成级变换以减少外观差距 [21], [22]，包括用于低级风格偏移的轻量级基于频率的工具 [23]。虽然具有基础性，但这些方法在源数据可访问、目标数据可离线处理且标签语义相当时最可靠。一旦这些假设被违反，减少全局差异可能会变得与部署风险弱耦合——甚至负相关。

最近的部署现实进一步将该领域转向约束驱动机制。当隐私或知识产权阻碍共享原始源数据时，设置变为无源领域自适应（SFDA），其中自适应从已部署的源模型和无标签目标数据进行 [24], [25], [26], [27]。当自适应必须在延迟预算下在线执行时，测试时自适应（TTA）使用轻量级或无参数的推理时自适应以及针对流式目标输入的无标签目标 [28], [29], [30], [31]。在这些机制中，许多方法依赖自引用信号（熵最小化、伪标签和一致性），这可能会创建反馈循环，其中早期错误被放大，导致随时间推移的漂移或崩溃 [28], [32], [33], [34], [35], [36], [37], [38], [39], [40], [41], [42], [43]。与此同时，开放世界部署打破了封闭集假设；朴素的对齐可以同化未知项并诱导有害的负迁移 [44], [45], [46], [47], [48], [49]，这激发了将不确定性量化和拒绝作为可靠系统的一等考虑因素 [50], [51], [52], [53], [54]。

基础模型通过将从可访问源数据集转移的工件转变为预训练先验，扩展了轴 2，并将许多自适应选择转移到查询、校准或轻微更新该先验的决策接口中 [55], [56], [57], [58], [59], [60], [61]。这种接口视图超越了提示学习。多模态自适应引入了特定模态的可靠性偏移，其中视觉、文本、几何或上下文通道可能在目标条件下不均匀地降级 [62], [63]。视觉 - 语言流水线也暴露了提示和上下文级别的漏洞，例如提示注入，外部视觉或文本输入可以在不改变模型参数的情况下污染条件接口 [64]。智能体流水线将同样的问题扩展到检索上下文、内存状态和操作历史，这些可能作为可变部署状态影响未来的决策 [65], [66]。因此，以接口为中心的自适应很有吸引力，但偏移下的鲁棒性不仅取决于预训练表示本身，还取决于查询、更新或允许预训练先验执行的接口的稳定性、可信度和校准 [67], [68], [69], [70]。总的来说，这些发展将文献碎片化为难以比较的机制，除非使用明确部署约束的共享词汇。

现有的理论和综述框架提供了重要的基础，但它们通常一次强调 DA 问题的一个维度。经典 DA 理论将目标风险与源风险、分布差异和兼容性假设联系起来 [3], [4], [5]。先前的迁移学习、领域自适应、领域泛化和视觉 - 语言综述通常按任务领域、差异度量、模型家族或单个部署机制组织文献 [1], [2], [4], [67], [71]。早期的视觉 DA 研究也反映了该领域的这种任务和领域驱动的组织方式 [72]。偏移因子语言进一步描述了...中的变化，例如输入边际、标签先验、条件结构或标签支持，详见第 2.3 节。这些观点很有用，但它们通常将部署可观测性和可行性隐含化：原始源数据是否可访问，标签空间是否相当，目标样本是作为批次还是流到达，以及哪些参数或状态可以更新。相比之下，本综述将这些约束视为一等坐标。四轴空间指定了可观测数据和目标暴露条件，而约束目标视图（稍后在公式 (2) 中形式化）提供了一种目标级语言，用于比较经典 UDA、SFDA、TTA、开放/通用 DA 和基础模型自适应中的锚点、桥梁、稳定器和可行更新集。

本综述有四个贡献：
• 四轴问题空间：我们形式化了一个四轴地图，将经典 DA 与新兴的 SFDA、TTA、开放世界和基于基础模型的机制统一在一个坐标系下（第 2 节）。
• 统一目标视图：我们引入约束目标视图（稍后在公式 (2) 中形式化），作为描述运营约束下自适应的共同语言；目标在第 2 节中定义，并在第 3 节中通过理论视角进行分析。
• 机制优先综合：我们根据更新接口和桥梁代理组织方法，展示可重用机制如何组合，以及预算、可变状态和部署开销如何塑造其适用性（第 4 节）。
• 证据和评估审计：我们将验证、可识别性和稳定性危机与评估协议联系起来，强调协议选择、选择渠道和风险感知指标如何决定经验收益是否对应于与部署相关的鲁棒性（第 6 节）。

该框架将不同的文献——从理论视角到系统级危机——组织成连贯的叙事结构，如图 2 所示。

章节片段
问题空间 DA 研究当训练和部署分布不同且直接目标监督受限时如何减少目标域风险。受图 1 中部署图景的启发，我们将可观测性和可行性约束视为问题的显式坐标。为了组织不同的 DA 机制——从经典的无监督 DA 到无源和测试时设置，以及到基于基础模型的自适应——本综述在整个过程中采用两种互补的描述：(i) 四轴
理论视角 本节开发理论视角，用于诊断何时最小化公式 (2) 中的统一目标与部署目标风险（公式 1）风险一致，何时不一致。这里，风险一致意味着在明确陈述的假设下，减少优化代理——特别是可观测桥梁代理——预期会减少（或至少不增加）真实部署风险；当这些假设失败时，代理改进可能会与...解耦。
因此，公式。
方法论分类 这种分类是机制级别的，而不是严格的时间顺序：它追踪主导自适应接口从广泛的表示更新向受约束、可审计更新状态的转变。第 2 节定义了 DA 的四轴问题空间，公式 (2) 提供了一个统一模板，分离了 (i) 什么以标签为锚，(ii) 什么在没有标签的情况下桥接到目标，以及 (iii) 什么在可行性和安全约束下稳定更新。基于这些基础，这
复合和动态部署中的挑战 第 4 节中的范式指定了自适应如何通过公式 (2) 中的...实现。然而，实际部署很少匹配单个轴配置的清晰假设。相反，它们往往处于复合机制中，多种约束——标签空间不确定性（轴 3）、源不可用性或异构性（轴 2）和流式动态（轴 4）——同时交互。这些交互暴露了可识别性、验证和稳定性的系统级危机，这些危机无法被
证据和指南 DA 中的经验主张对评估设计异常敏感，因为部署目标只能部分观测。在公式 (2) 下，自适应通常在约束更新集内优化可观测桥梁代理，而部署风险在自适应期间通常未被观测。这种代理 - 风险差距使得很容易将优化进展与鲁棒性进展混淆，特别是在标签空间不确定性（轴 3）和流式更新（轴 4）下。
最近的基准
结论 本综述通过四轴问题空间和约束感知目标透镜组织 DA，分离标签锚点、无标签桥梁代理、稳定器和可行更新集。这一观点将经典特征对齐和像素级变换与无源/测试时自适应以及基础模型接口自适应联系起来，同时澄清了为什么现代部署约束越来越倾向于轻量级、可监控的更新接口。在这些机制中，主导的
CRediT 作者贡献声明 刘进东：写作 – 初稿，方法论。马超：调查，形式分析。刘炳燕：写作 – 审查与编辑，调查。李翔：资源，方法论。巨建国：形式分析，数据管理，概念化。关子宇：可视化，验证，监督。徐鹏飞：验证，监督，项目管理。
竞争利益声明 作者声明，他们没有已知的竞争财务利益或个人关系可能影响本文中报告的工作。
致谢 这项工作部分得到了国家重点研发计划（项目编号：2024YFF1307301）、国家自然科学基金（项目编号：62373300、62273232 和 62273231）、陕西省青年杰出科学基金项目（项目编号：2025JC-JCQN-074）、陕西省自然科学基金项目（一般项目）（项目编号：2026JC-YBQN-0763）以及西北大学科学研究创新项目的支持。刘进东目前正在西北大学计算机学院攻读博士学位。他的研究兴趣包括计算机视觉、零样本学习和图像处理。
刘进东 | 马超 | 刘炳燕 | 李翔 | 巨建国 | 关子宇 | 徐鹏飞
中国西安西北大学计算机学院，邮编 710127