Domain-agnostisches Lernen mit entkoppelten Darstellungen

Die unsupervisierte Modellübertragung hat das Potenzial, die Anwendbarkeit tiefster Modelle auf neue Domains erheblich zu verbessern. Die aktuelle Literatur geht jedoch davon aus, dass die Aufteilung der Ziel-Daten in unterschiedliche Domains bereits vorab bekannt ist. In dieser Arbeit schlagen wir die Aufgabe des domain-unabhängigen Lernens (Domain-Agnostic Learning, DAL) vor: Wie kann Wissen von einer etikettierten Quelldomain auf unetikettierte Daten beliebiger Zieldomains übertragen werden? Um dieses Problem anzugehen, entwickeln wir einen neuen tiefen adversariellen disentangled Autoencoder (Deep Adversarial Disentangled Autoencoder, DADA), der in der Lage ist, domain-spezifische Merkmale von der Klassenidentität zu trennen. Wir zeigen experimentell, dass DADA bei unbekannten Etiketten im Zieldomain den Stand der Technik auf mehreren Bildklassifikationsdatensätzen übertreffen kann.