Exploiter la structure de voisinage intrinsèque pour l’adaptation de domaine sans source

L’adaptation de domaine (DA) vise à atténuer le décalage entre un domaine source et un domaine cible. La plupart des méthodes de DA nécessitent l’accès aux données du domaine source, ce qui n’est souvent pas réalisable (par exemple en raison de contraintes de confidentialité des données ou de propriété intellectuelle). Dans ce papier, nous abordons le problème difficile de l’adaptation de domaine sans source (SFDA), dans lequel un modèle préentraîné sur le domaine source est adapté au domaine cible en l’absence totale des données source. Notre méthode repose sur l’observation selon laquelle les données cibles, bien qu’elles ne soient plus alignées avec le classificateur du domaine source, forment encore des regroupements clairs. Nous capturons cette structure intrinsèque en définissant une affinité locale pour les données cibles, et en encourageant une cohérence des étiquettes parmi les échantillons présentant une forte affinité locale. Nous observons qu’une affinité plus élevée devrait être attribuée aux voisins réciproques, et proposons une perte de régularisation auto-supervisée afin de réduire l’impact négatif des voisins bruités. En outre, pour intégrer davantage de contexte, nous considérons des voisinages étendus incluant des valeurs d’affinité faibles. Les résultats expérimentaux confirment que la structure intrinsèque des caractéristiques cibles constitue une source d’information essentielle pour l’adaptation de domaine. Nous démontrons que cette structure locale peut être efficacement capturée en tenant compte des voisins locaux, des voisins réciproques et des voisinages étendus. Enfin, nous obtenons des performances de pointe sur plusieurs jeux de données de reconnaissance d’images 2D et de nuages de points 3D. Le code est disponible à l’adresse suivante : https://github.com/Albert0147/SFDA_neighbors.