Espace vicinal contrastif pour l’adaptation de domaine non supervisée

Les méthodes récentes d’adaptation de domaine non supervisée ont exploité l’espace vicinal entre les domaines source et cible. Toutefois, le problème de l’effondrement de l’équilibre des étiquettes — où les étiquettes du domaine source dominent celles du domaine cible dans les prédictions des instances vicinales — n’a jamais été traité. Dans cet article, nous proposons une stratégie minimax par instance, visant à minimiser l’entropie des instances à haute incertitude dans l’espace vicinal afin de résoudre ce problème. Nous divisons l’espace vicinal en deux sous-espaces à travers la solution du problème minimax : l’espace contrastif et l’espace de consensus. Dans l’espace contrastif, les différences inter-domaines sont atténuées en imposant aux instances d’avoir des représentations contrastives et des étiquettes opposées, tandis que l’espace de consensus réduit la confusion entre les catégories intra-domaines. L’efficacité de notre méthode est démontrée sur des benchmarks publics, notamment Office-31, Office-Home et VisDA-C, où elle atteint des performances de pointe. Nous montrons également que notre méthode surpasser les méthodes actuelles de l’état de l’art sur PACS, ce qui indique que notre approche par instance s’applique efficacement à l’adaptation de domaine multi-source. Le code est disponible à l’adresse suivante : https://github.com/NaJaeMin92/CoVi.