Réutilisation du classificateur spécifique à la tâche comme discriminateur : adaptation de domaine adversaire sans discriminateur

L’apprentissage adversaire a permis d’obtenir des performances remarquables dans le cadre de l’adaptation de domaine non supervisée (UDA). Les méthodes existantes d’UDA adversaire utilisent généralement un discriminateur supplémentaire afin de mener un jeu min-max avec un extracteur de caractéristiques. Toutefois, la plupart de ces approches échouent à exploiter efficacement les informations discriminatives prédites, entraînant ainsi un effondrement de mode pour le générateur. Dans ce travail, nous abordons ce problème sous un angle différent et proposons un paradigme adversaire simple mais efficace, sous la forme d’un réseau d’apprentissage adversaire sans discriminateur (DALN), dans lequel le classificateur de catégories est réutilisé comme discriminateur. Ce mécanisme permet une alignement explicite des domaines et une distinction claire des catégories grâce à un objectif unifié, permettant ainsi au DALN d’exploiter pleinement les informations discriminatives prédites pour une alignment de caractéristiques suffisant. Fondamentalement, nous introduisons une discrépance de Wasserstein à norme nucléaire (NWD), qui possède une signification directive claire pour la discrimination. Cette NWD peut être couplée au classificateur pour servir de discriminateur satisfaisant la contrainte de Lipschitz-K, sans nécessiter de clipping des poids supplémentaires ni de pénalité de gradient. Sans artifices, le DALN se compare avantageusement aux méthodes les plus avancées (SOTA) existantes sur diverses bases de données publiques. En outre, en tant que technique plug-and-play, la NWD peut être directement utilisée comme régularisateur générique afin d’améliorer les algorithmes existants d’UDA. Le code est disponible à l’adresse suivante : https://github.com/xiaoachen98/DALN.