虽然上述方法很有前景，但也面临挑战和缺点：
* 不存储用户数据的方法存在“在线 UDA 问题”：为了实现保护在线隐私的目标，目标域数据需要在模型看到后立即丢弃，但这意味着如果模型以后想要使用它，它将不可用——这与离线 UDA 相反，在离线 UDA 中，模型可以存储用户数据并在以后访问它们。
* FL 仅在少数节点上存储数据的方法存在“数据泄露”问题：最近的研究表明，由于分布式模型中部署的梯度共享机制，私人训练数据可能会被泄露或利用。
当然，泄露数据从来都不是一件好事——这就是为什么我们认为不存储任何敏感数据是保护隐私的最佳方法（使用后删除用户数据），这需要一个在线框架。
然而，如果不解决从源域到目标域的分布转移，现有的在线学习框架就无法满足这一需求。这项任务似乎是 UDA 的扩展设置，不能简单地通过离线 UDA 方法的在线实现来解决。首先，现有的离线 UDA 方法严重依赖跨域小批量的丰富组合，这些组合会逐步调整模型以进行自适应，而这是在线流设置无法提供的。特别是，许多现有方法需要区分大量的源-目标对才能实现自适应。最近，最先进的离线方法通过利用面 手机号数据库列表 向目标的聚类显示出有希望的结果，但这需要离线访问整个目标域。
结果是，鉴于目标域数据的稀缺性，在线 UDA 任务需要新的解决方案才能成功。
我们的解决方案
我们相信我们已经找到了一种新的创新方法。在这项工作中：
* 我们认为，不存储任何敏感数据是保护隐私和确保整体安全的最佳实践。
* 我们提出了一个“阅后即焚”的在线框架——也就是说，用户数据在机器学习过程中使用后会立即删除。
* 更具体地说，我们使用带标签的公共数据（“源域”）训练深度神经网络，并对其进行调整，使其在未带标签的私有数据（“目标域”）上表现良好——但我们只会在训练和测试所需的时间内保留数据。之后，数据将被删除。