与一般的有监督的损失和有监督的互信息不同，该方法具有无监督的特性，其可以利用所有无标签的目标域数据，无论这些数据是否被成功地分配了伪标签。
基于公开数据进行验证
这套方案是否能在非监督的情况下，提高人脸识别工具对不同国家/地区居民脸部信息的识别率呢？
研究人员采用全球各地名人的公开数据进行验证。结果表明，信息最大化自适应网络可以成功地将识别能力从源域应用到其他国家/地区的目标域人群中，且识别性能优于其他域自适应方法。消融实验研究发现，互信息损失对减少识别偏差有重要作用。
王玫补充，信息最大化自适应网络在跨姿态、跨场景的应用上也有很好的泛化性能。
鉴于较好的实验结果，研究团队已经对外发布RFW数据集，以推进研究进一步深入。
目前，已有哈佛大学、帝国理工学院、清华大学、思科、华为、NEC、IBM等20多个国家的科研院所、企业的科研团队申请使用RFW进行多人种人脸识别研究。
值得一提的是，该方法在进行自适应学习的同时，仍然需要利用源域地区采集的标注数据对模型进行训练。这就意味源域数据具有隐私泄露风险。如何在源域数据不外传的情况下进行目标域的自适应学习，将是非常值得研究的问题。
邓伟洪表示，下一步希望在完全不采集目标域数据的情况下，提出具有更强泛化能力的新算法，直接提高人脸识别工具在未知目标域的准确率。
责任编辑：tzh
关于触控感测就介绍完了，您有什么想法可以联系小编。
