Apprentissage du transfert d'exemples pour l'adaptation de domaine partielle

L'adaptation de domaine est cruciale pour l'apprentissage dans des environnements nouveaux et inconnus. Grâce à l'entraînement adverse de domaine, les réseaux profonds peuvent apprendre des caractéristiques désentrelacées et transférables qui réduisent efficacement le décalage de jeu de données entre les domaines source et cible, facilitant ainsi le transfert de connaissances. À l'ère des Big Data, la disponibilité facile de jeux de données étiquetés à grande échelle a stimulé un vif intérêt pour l'adaptation de domaine partielle (PDA), qui consiste à transférer un reconnaissanceur d'un domaine étiqueté à grande échelle vers un domaine non étiqueté à petite échelle. Elle étend l'adaptation de domaine standard au scénario où les étiquettes cibles ne sont qu'un sous-ensemble des étiquettes source. Dans le cas où les étiquettes cibles sont inconnues, le défi majeur de la PDA est de savoir comment transférer les exemples pertinents dans les classes partagées pour favoriser un transfert positif, tout en ignorant les exemples non pertinents dans les classes spécifiques afin d'atténuer le transfert négatif. Dans cette recherche, nous proposons une approche unifiée pour la PDA, le Réseau de Transfert d'Exemples (ETN), qui apprend conjointement des représentations invariantes par rapport au domaine entre les domaines source et cible, ainsi qu'un schéma de pondération progressive qui quantifie la transférabilité des exemples source tout en contrôlant leur importance pour la tâche d'apprentissage dans le domaine cible. Une évaluation approfondie sur plusieurs jeux de données de référence montre que notre approche atteint des résultats d'état de l'art pour les tâches d'adaptation de domaine partielle.