Alignement de domaine conditionné implicite par classe pour l’adaptation de domaine non supervisée

Nous présentons une approche d’adaptation de domaine non supervisée, axée de manière particulière sur les considérations pratiques relatives au déséquilibre des classes au sein d’un domaine et au décalage de la distribution des classes entre domaines, depuis une perspective d’alignement de domaine conditionné par classe. Les méthodes actuelles d’alignement de domaine conditionné par classe visent à minimiser explicitement une fonction de perte fondée sur des estimations de pseudo-étiquettes du domaine cible. Toutefois, ces approches souffrent d’un biais des pseudo-étiquettes, se manifestant par une accumulation d’erreurs. Nous proposons une méthode qui élimine la nécessité d’une optimisation explicite des paramètres du modèle à partir des pseudo-étiquettes directement. À la place, nous introduisons une approche d’alignement implicite basée sur l’échantillonnage, dans laquelle le processus de sélection d’échantillons est guidé de manière implicite par les pseudo-étiquettes. Une analyse théorique révèle l’existence d’un « raccourci discriminant de domaine » dans les classes mal alignées, un phénomène que notre approche implicite permet de corriger, favorisant ainsi l’apprentissage adversarial de domaine. Des résultats expérimentaux et des études d’ablation confirment l’efficacité de la méthode proposée, en particulier en présence d’un déséquilibre des classes au sein d’un domaine et d’un décalage de distribution des classes entre domaines.