SENTRY : Optimisation de l’entropie sélective par cohérence du comité pour l’adaptation de domaine non supervisée

De nombreuses approches existantes d’adaptation de domaine non supervisée (UDA) se concentrent sur l’adaptation sous un simple décalage de distribution des données, et obtiennent des résultats limités en présence d’un décalage supplémentaire de distribution des étiquettes entre domaines. Les travaux récents fondés sur l’auto-entraînement utilisant des pseudo-étiquettes cibles ont montré un potentiel prometteur, mais en cas de décalages complexes, ces pseudo-étiquettes peuvent être très peu fiables, et leur utilisation dans l’auto-entraînement peut entraîner une accumulation d’erreurs ainsi qu’un désalignement de domaine. Nous proposons SENTRY (Selective Entropy Optimization via Committee Consistency), un algorithme d’UDA qui évalue la fiabilité d’une instance cible en fonction de sa cohérence prédictive face à un ensemble de transformations aléatoires d’images. Notre méthode minimise sélectivement l’entropie prédictive sur les instances cibles hautement cohérentes afin d’accroître la confiance, tout en maximisant l’entropie prédictive sur les instances fortement incohérentes pour réduire la confiance. En combinaison avec un équilibrage approximatif des classes cibles basé sur les pseudo-étiquettes, notre approche permet d’obtenir des améliorations significatives par rapport aux états de l’art sur 27 sur 31 décalages de domaine issus des benchmarks standards d’UDA, ainsi que sur des benchmarks conçus spécifiquement pour évaluer la robustesse de l’adaptation en présence de décalages de distribution des étiquettes.