Adaptation de domaine adversaire discriminative

Étant donné des instances étiquetées sur un domaine source et des instances non étiquetées sur un domaine cible, l’adaptation de domaine non supervisée vise à apprendre un classificateur de tâche capable de classifier efficacement les instances du domaine cible. Les avancées récentes s’appuient sur l’entraînement adversarial par domaine des réseaux profonds afin d’apprendre des caractéristiques invariantes par rapport au domaine. Toutefois, en raison d’un problème de collassage de mode provoqué par la conception séparée des classificateurs de tâche et de domaine, ces méthodes sont limitées dans leur capacité à aligner les distributions conjointes des caractéristiques et des catégories entre les domaines. Pour surmonter cet obstacle, nous proposons une nouvelle méthode d’apprentissage adversarial, nommée Discriminative Adversarial Domain Adaptation (DADA). Fondée sur un classificateur intégré pour la catégorie et le domaine, DADA introduit un nouvel objectif adversarial qui encourage une relation d’inhibition mutuelle entre les prédictions de catégorie et de domaine pour toute instance d’entrée. Nous démontrons que, sous des conditions pratiques, cette approche définit un jeu minimax susceptible de favoriser l’alignement des distributions conjointes. En plus de l’adaptation de domaine à ensemble fermé classique, nous étendons également DADA à des configurations de problèmes particulièrement difficiles : l’adaptation partielle et l’adaptation à ensemble ouvert. Les expériences montrent l’efficacité de notre méthode, et nous atteignons un nouveau état de l’art pour les trois configurations sur des jeux de données de référence.