Adaptation de domaine associative

Nous proposons l'adaptation de domaine associative, une nouvelle technique d'adaptation de domaine de bout en bout avec des réseaux neuronaux, qui consiste à inférer des étiquettes de classe pour un domaine cible non étiqueté en se basant sur les propriétés statistiques d'un domaine source étiqueté. Notre schéma d'entraînement suit le paradigme selon lequel, pour dériver efficacement des étiquettes de classe pour le domaine cible, un réseau doit produire des plongements statistiquement invariants par rapport aux domaines tout en minimisant l'erreur de classification sur le domaine source étiqueté. Nous réalisons cela en renforçant les associations entre les données du domaine source et celles du domaine cible directement dans l'espace de plongement. Notre méthode peut facilement être ajoutée à n'importe quel réseau de classification existant sans apporter de modifications structurelles et presque sans coût computationnel supplémentaire. Nous démontrons l'efficacité de notre approche sur diverses benchmarks et obtenons des résultats d'état de l'art dans tous les cas avec une architecture générique de réseau neuronal convolutif non spécifiquement ajustée aux tâches respectives. Enfin, nous montrons que la perte d'association proposée produit des plongements plus efficaces pour l'adaptation de domaine comparativement aux méthodes utilisant la divergence moyenne maximale comme mesure de similarité dans l'espace de plongement.