DAPPER：面向异构移动感知的无标签个性化性能评估

许多应用利用移动设备中的传感器和机器学习来提供新型服务。然而，不同用户、设备和环境等因素影响了此类应用的性能，使得领域漂移（即训练领域与目标领域之间的分布漂移）成为移动感知中的关键问题。尽管领域适应方法试图解决这一挑战性难题，但由于 diverse 因素之间的复杂相互作用，其性能不可靠。原则上，性能不确定性可以通过带真实标签的性能验证来识别和弥补。然而，每个用户收集高质量、足够数量的标注数据是不可行的。为解决这一问题，我们提出 DAPPER（领域适应性能评估器），该方法仅使用无标签目标数据来估计目标领域的适应性能。我们的核心思想是基于模型输入与对应输出之间的互信息来近似模型性能。我们使用四个真实世界感知数据集对 DAPPER 进行了评估，并与六个基线方法进行比较，结果显示 DAPPER 在估计准确性上平均比最先进的基线方法高出 39.8%。此外，我们的设备端实验表明，与基线方法相比，DAPPER 实现了高达 396 倍的计算开销减少。