SENTRY: تحسين الإنتروبيا الاختياري من خلال اتساق اللجنة للتكيف بالمنطقة غير المراقبة

تركز العديد من المناهج الحالية لتكيف المجال غير المراقب (UDA) على التكيف في ظل تغير توزيع البيانات فقط، وتُظهر نتائج محدودة في ظل وجود تغير إضافي في توزيع التسميات عبر المجالات. وقد أظهرت الدراسات الحديثة القائمة على التدريب الذاتي باستخدام تسميات وهمية للهدف (pseudo-labels) نتائج واعدة، لكن في حالات التحولات الصعبة قد تكون هذه التسميات الوهمية غير موثوقة بشكل كبير، واستخدامها في التدريب الذاتي قد يؤدي إلى تراكم الأخطاء والانحراف في المجال. نقترح خوارزمية SENTRY (اختيار تحسين الإنتروبيا عبر اتساق اللجنة)، وهي خوارزمية UDA تقوم بتقييم موثوقية مثال الهدف بناءً على اتساق توقعاته تحت مجموعة من التحولات العشوائية للصورة. ثم تقوم الخوارزمية بتحديد تقليل الإنتروبيا التنبؤية لزيادة الثقة في الأمثلة الهدف ذات الاتساق العالي، في حين تُعزز الإنتروبيا التنبؤية لتقليل الثقة في الأمثلة ذات الاتساق المنخفض. وبالمزج مع توازن تقريبي لفئات الهدف المستند إلى التسميات الوهمية، تؤدي طريقةنا إلى تحسينات كبيرة مقارنة بالحالة الراهنة (state-of-the-art) على 27 من أصل 31 تحولاً بين مجالات من معايير UDA القياسية، وكذلك على معايير مصممة لاختبار قدرة التكيف في ظل تغيرات مكثفة في توزيع التسميات.