Alignement de Clusters avec un Modèle pour l'Adaptation de Domaine Non Supervisée

Les méthodes d'apprentissage profond ont montré leur potentiel dans l'adaptation de domaine non supervisée, qui vise à utiliser un domaine source étiqueté pour apprendre un classifieur pour un domaine cible non étiqueté présentant une distribution différente. Cependant, ces méthodes tendent généralement à apprendre un espace de représentation invariant par rapport aux domaines afin de faire correspondre les distributions marginales des domaines source et cible, tout en ignorant leurs structures de niveau fin. Dans cet article, nous proposons l'alignement de grappes avec un modèle enseignant (Cluster Alignment with a Teacher, CAT) pour l'adaptation de domaine non supervisée, qui peut intégrer efficacement les structures de grappes discriminantes dans les deux domaines pour une meilleure adaptation. Sur le plan technique, CAT utilise un modèle enseignant d'ensemblage implicite pour découvrir de manière fiable la structure conditionnelle par classe dans l'espace des caractéristiques du domaine cible non étiqueté. Ensuite, CAT force les caractéristiques des domaines source et cible à former des grappes conditionnelles par classe discriminantes et aligne les grappes correspondantes entre les domaines. Les résultats empiriques montrent que CAT obtient des performances d'état de l'art dans plusieurs scénarios d'adaptation de domaine non supervisée.