Régularisation par Adversarial Dropout

Nous présentons une méthode pour transférer les représentations neuronales d'un domaine source riche en étiquettes vers un domaine cible non étiqueté. Les méthodes adversariales récentes proposées pour cette tâche apprennent à aligner les caractéristiques entre les domaines en trompant un réseau critique spécial de domaine. Cependant, un inconvénient de cette approche est que le critique ne fait qu'étiqueter les caractéristiques générées comme étant du domaine ou non, sans tenir compte des frontières entre les classes. Cela peut conduire à la génération de caractéristiques ambiguës près des frontières de classe, réduisant ainsi la précision de classification dans le domaine cible. Nous proposons une nouvelle approche, l'Adversarial Dropout Regularization (ADR), pour encourager le générateur à produire des caractéristiques plus discriminantes pour le domaine cible. Notre idée clé consiste à remplacer le critique par un qui détecte les caractéristiques non discriminantes, en utilisant le dropout sur le réseau classificateur. Le générateur apprend ensuite à éviter ces zones de l'espace des caractéristiques et crée donc des caractéristiques meilleures. Nous appliquons notre approche ADR au problème d'adaptation de domaine non supervisée pour les tâches de classification d'images et de segmentation sémantique, et démontrons une amélioration significative par rapport à l'état de l'art. Nous montrons également que notre approche peut être utilisée pour entraîner des Réseaux Antagonistes Générateurs (GAN) dans un cadre d'apprentissage semi-supervisé.