-MNIST 和 DeepFashion 数据集。由于测数据集，我们计划评估这两个数据集之间的适配能力。我们选取了两个数据集共有的六个时尚类别，并将任务设计为将 Fashion-MNIST 的灰度样本适配到 DeepFashion 的真实商业样本。
以下是来自这些基准的图像样本以及我们的方法（CroDoBo）与现有最先进（SOTA）方法之间的定性比较。
主要结果
我们很高兴地报告，CroDoBo 在线上的表现远超其他方法，并且与最先进的方法 ATDOC-NA 的离线结果相当。在时间效率方面，CroDoBo 优于其他方法，仅用一个 epoch 就实现了高精度。
下表总结了 VisDA-C 上的结果，并在下图中绘制了在线流式传输 电报数据库 准确率。如需查看其他数据集（例如 WILDS-Camelyon17、Fashion-MNIST 和 DeepFashion 等）的更多结果，请阅读我们的研究论文。
VisDA-C 在线准确率结果。X 轴表示目标查询的流式时间步长。每种方法均采用相同的随机扰动目标查询序列。
总体情况：研究和社会影响
我们的工作提出了一个在线领域自适应框架，其中目标数据在处理后会立即被删除。这对于个人的被遗忘权以及在线隐私保护的相关方面都是有益的。然而，虽然我们的方法改善了数据隐私，但仍然存在数据泄露的风险。与大多数神经网络一样，有人可能会故意利用深度神经网络权重的记忆效应来恢复隐私信息。我们将在未来的工作中专注于缓解这个问题。