HyperAIHyperAI
il y a 17 jours

Généralisation de domaine adversaire discriminatif avec validation croisée basée sur la méta-apprentissage

Keyu Chen, Di Zhuang, J. Morris Chang
Généralisation de domaine adversaire discriminatif avec validation croisée basée sur la méta-apprentissage
Résumé

La capacité de généralisation des modèles d’apprentissage automatique, qui consiste à transférer les connaissances acquises à partir d’un ou plusieurs domaines « observés » afin de traiter un domaine « inconnu », revêt une importance capitale pour le développement et le déploiement d’applications d’apprentissage automatique dans des conditions réelles. Les techniques de généralisation de domaine (Domain Generalization, DG) visent à renforcer cette capacité de généralisation, dans lesquelles la représentation de caractéristiques apprise et le classificateur constituent deux facteurs clés pour améliorer la généralisation et prendre des décisions. Dans cet article, nous proposons une méthode appelée Discriminative Adversarial Domain Generalization (DADG), basée sur une validation croisant les domaines par apprentissage métacognitif. Notre cadre proposé comporte deux composants principaux qui agissent de manière synergique pour construire un modèle DNN généralisé au domaine : (i) un apprentissage adversarial discriminant, qui apprend activement une représentation de caractéristiques généralisée sur plusieurs domaines « observés » ; et (ii) une validation croisant les domaines fondée sur l’apprentissage métacognitif, qui simule le décalage entre domaines d’entraînement et de test en intégrant des techniques d’apprentissage métacognitif dans le processus d’entraînement. L’évaluation expérimentale, menée sur trois jeux de données standard, met en comparaison approfondie notre approche avec d’autres méthodes existantes. Les résultats montrent que DADG surpasse de manière cohérente une base forte (DeepAll) et dépasse les autres algorithmes DG existants dans la majorité des cas d’évaluation.