Facilité de l'apprentissage par transfert en exploitant les structures intra-domaine

Le transfert d'apprentissage vise à transférer les connaissances d'un domaine bien étiqueté vers un domaine similaire mais différent, avec des étiquettes limitées ou inexistantes. Malheureusement, les méthodes d'apprentissage existantes nécessitent souvent une sélection intensive de modèles et un ajustement de hyperparamètres pour obtenir de bons résultats. De plus, la validation croisée n'est pas possible pour l'ajustement des hyperparamètres, car il n'y a généralement pas d'étiquettes dans le domaine cible. Cela restreint considérablement l'application généralisée du transfert d'apprentissage, en particulier sur des appareils à ressources computationnelles limitées tels que les dispositifs portables.Dans cet article, nous proposons une approche de transfert d'apprentissage pratique et facile (EasyTL) qui ne nécessite ni sélection de modèle ni ajustement de hyperparamètres, tout en offrant des performances compétitives. En exploitant les structures intra-domaine, EasyTL est capable d'apprendre à la fois des caractéristiques de transfert non paramétriques et des classifieurs. Des expériences approfondies démontrent que, comparé aux méthodes traditionnelles et profondes les plus avancées, EasyTL satisfait au principe du rasoir d'Ockham : il est extrêmement simple à mettre en œuvre et à utiliser tout en atteignant des performances comparables ou supérieures en termes de précision de classification et une efficacité computationnelle beaucoup meilleure. De plus, il est montré qu'EasyTL peut améliorer les performances des méthodes existantes d'apprentissage de caractéristiques de transfert.