MetaAge : apprentissage méta d'estimateurs personnalisés de l'âge

Les individus vieillissent de manières différentes. Apprendre un estimateur d’âge personnalisé pour chaque personne constitue une voie prometteuse pour l’estimation de l’âge, car elle modélise mieux la personnalisation des processus de vieillissement. Toutefois, la plupart des méthodes personnalisées existantes souffrent du manque de jeux de données à grande échelle, en raison de contraintes élevées : l’annotation par identité et un nombre suffisant d’échantillons par individu afin de constituer un modèle de vieillissement à long terme. Dans ce travail, nous visons à apprendre des estimateurs d’âge personnalisés sans ces exigences, et proposons une méthode de méta-apprentissage nommée MetaAge pour l’estimation de l’âge. Contrairement aux méthodes personnalisées existantes qui apprennent les paramètres d’un estimateur personnalisé pour chaque individu dans l’ensemble d’entraînement, notre approche apprend une application de l’information d’identité vers les paramètres de l’estimateur d’âge. Plus précisément, nous introduisons un méta-apprenant d’estimateur personnalisé, qui prend en entrée des caractéristiques d’identité et produit les paramètres d’estimateurs sur mesure. Ainsi, notre méthode acquiert des connaissances méta sans nécessiter les contraintes mentionnées précédemment, et transfère de manière transparente ces connaissances méta vers l’ensemble de test, permettant ainsi d’exploiter efficacement les jeux de données à grande échelle existants sans aucune annotation supplémentaire. Des résultats expérimentaux étendus sur trois jeux de données de référence — MORPH II, ChaLearn LAP 2015 et ChaLearn LAP 2016 — démontrent que MetaAge améliore significativement les performances des méthodes personnalisées existantes et dépasse les approches de l’état de l’art.