Adaptation de domaine cible par méta-adaptation adversariale des réseaux

L'adaptation de domaine non supervisée (Domain Adaptation, DA) vise à classifier des instances cibles lorsqu'on dispose uniquement d'exemples étiquetés provenant du domaine source et d'exemples non étiquetés provenant du domaine cible pour l'entraînement. L'apprentissage de caractéristiques invariantes au domaine aide à atteindre cet objectif, en particulier lorsque les échantillons non étiquetés sont tirés d'un ou de plusieurs domaines cibles explicites (Multi-target DA). Dans cet article, nous considérons un scénario de transfert plus réaliste : notre domaine cible est composé de plusieurs sous-domaines cibles qui sont implicitement mélangés entre eux, de sorte que les apprenants ne peuvent pas identifier à quel sous-domaine appartient chaque échantillon non étiqueté. Ce scénario d'adaptation de domaine avec sous-domaines mélangés (Blending-target Domain Adaptation, BTDA) apparaît couramment dans la pratique et menace la validité de la plupart des algorithmes DA existants, en raison des écarts entre les domaines et des désalignements catégoriels parmi ces sous-domaines cachés.Pour tirer profit des gains de performance du transfert dans ce nouveau scénario, nous proposons le réseau Adversarial Meta-Adaptation Network (AMEAN). AMEAN comprend deux processus d'apprentissage par transfert adversarial. Le premier est un transfert adversarial conventionnel visant à relier nos domaines source et mixte cible. Pour contourner le désalignement catégoriel intra-sous-domaine, le second processus se présente sous forme d'« apprentissage pour s'adapter » : il déploie un apprenant métadonnées non supervisé recevant des données cibles et leurs retours sur l'apprentissage en cours des caractéristiques, afin de découvrir des clusters cibles comme nos « sous-domaines métadonnées ». Ces sous-domaines métadonnées conçoivent automatiquement notre perte DA de sous-domaine métadonné, qui élimine empiriquement le désalignement catégoriel implicite dans notre domaine cible mixte. Nous évaluons AMEAN ainsi qu'une variété d'algorithmes DA sur trois benchmarks selon la configuration BTDA. Les résultats empiriques montrent que BTDA est une configuration de transfert très difficile pour la plupart des algorithmes DA existants, mais que AMEAN surpasse significativement ces baselines de pointe et réduit efficacement les effets négatifs du transfert dans BTDA.