Alignement de caractéristiques discriminatives : Amélioration de la transférabilité de l’adaptation de domaine non supervisée par alignement latente guidé par une loi gaussienne

Dans cette étude, nous nous concentrons sur le problème d’adaptation de domaine non supervisée, dans lequel un modèle d’inférence approximative doit être appris à partir d’un domaine de données étiquetées et s’attend à généraliser efficacement à un domaine de données non étiquetées. Le succès de l’adaptation de domaine non supervisée repose largement sur l’alignement des caractéristiques entre les domaines. Les travaux antérieurs ont tenté d’aligner directement les caractéristiques latentes en exploitant les écarts induits par le classificateur. Toutefois, un espace commun de caractéristiques ne peut pas toujours être appris par ce moyen d’alignement direct, en particulier lorsque l’écart entre les domaines est important. Pour résoudre ce problème, nous introduisons une approche d’alignement latent guidée par une loi gaussienne, qui aligne les distributions de caractéristiques latentes des deux domaines sous la guidance de la distribution a priori. De cette manière indirecte, les distributions sur les échantillons provenant des deux domaines sont construites dans un espace commun de caractéristiques — à savoir l’espace de la distribution a priori — ce qui favorise un meilleur alignement des caractéristiques. Pour aligner efficacement la distribution latente cible avec cette distribution a priori, nous proposons également une nouvelle distance L1 non appariée, exploitant la formulation du modèle encodeur-décodeur. Les évaluations étendues sur neuf jeux de données de référence valident la supériorité de la transférabilité des connaissances, en surpassant les méthodes de l’état de l’art, ainsi que la polyvalence de la méthode proposée, qui améliore significativement les approches existantes.