下图展示了我们提出的 CroDoBo 算法的概览。CroDoBo 算法能够从公共源域线目标域。在每个时间步 j，目标域中只有当前的第 j 个查询可用。CroDoBo 会引导与当前第 j 个查询相结合的源域批次，以增加跨域数据多样性。学习器 (w) 交换生成的伪标签 (y) 作为共同监督。
一旦当前查询在训练阶段适应，就会立即进行测试以进行预测。接下来是隐私保护部分：每个目标查询在测试后都会被删除（请注意图中左下角“j-1”框上的火焰图标，表示数据在处理后会被删除）。
源域的示例图像来自 Fashion-MNIST，适应目标域 Deep-Fashion。
线下 vs. 线上
给定带标签的源数据和从目标分布中提取的未标记目标数据，离线和在线自适应都旨在学习一个能够对目标域做出 手机号数据库列表 准确预测的分类器。离线自适应假设能够访问源域和目标域中的每个数据点，并且需要在进行推理之前基于所有这些数据点对模型进行训练。
然而，对于在线自适应，我们只能假设访问整个源域，而目标域的数据则以随机流式的小批量方式到达。每个小批量（或我们称之为“查询”）都经过自适应、测试，然后以非替换的方式被删除，以保护隐私。
与离线任务相比，在线任务的根本挑战在于每次推理查询时对训练数据的访问受限。毫无疑问，在线自适应面临的数据池明显较小，数据多样性也较低，这意味着在线任务的训练过程存在两个主要缺陷。