T-SVDNet : Exploration des corrélations prototypiques d'ordre élevé pour l'adaptation de domaine multi-sources

La plupart des méthodes existantes d’adaptation de domaine se concentrent sur l’adaptation à partir d’un seul domaine source, alors qu’en pratique, plusieurs sources pertinentes peuvent être exploitées pour améliorer les performances sur le domaine cible. Nous proposons une nouvelle approche nommée T-SVDNet pour traiter la tâche d’adaptation de domaine multi-source (MDA), caractérisée par l’intégration de la décomposition en valeurs singulières tensorielle (T-SVD) dans le pipeline d’entraînement d’un réseau neuronal. Globalement, les corrélations d’ordre supérieur entre plusieurs domaines et catégories sont pleinement exploitées afin de mieux réduire l’écart entre les domaines. Plus précisément, nous imposons une contrainte de faible rang tensoriel (TLR) à un tenseur formé par empilement d’un ensemble de matrices de similarité prototypiques, dans le but de capturer la structure de données cohérente à travers différents domaines. En outre, afin d’éviter le transfert négatif provoqué par des données sources bruitées, nous proposons une nouvelle stratégie d’affectation de poids fondée sur l’incertitude, qui attribue de manière adaptative des poids aux différents domaines sources et aux échantillons, en fonction des résultats d’estimation d’incertitude. Des expériences étendues menées sur des benchmarks publics démontrent l’efficacité supérieure de notre modèle par rapport aux méthodes de pointe dans la tâche d’adaptation de domaine multi-source.