Cadre unifié de transport optimal pour l’adaptation de domaine universelle

L’adaptation de domaine universelle (Universal Domain Adaptation, UniDA) vise à transférer des connaissances d’un domaine source vers un domaine cible sans contrainte sur les ensembles de labels. Étant donné que les deux domaines peuvent contenir des classes propres, l’identification des échantillons communs au domaine cible constitue une question essentielle pour l’alignement de domaine en UniDA. La plupart des méthodes existantes exigent des valeurs de seuil prédéfinies ou manuellement ajustées pour détecter les échantillons communs, ce qui les rend difficiles à étendre à des scénarios d’UniDA plus réalistes en raison des rapports variés entre classes communes. En outre, elles ne parviennent pas à distinguer les différentes catégories parmi les échantillons propres au domaine cible, ces derniers étant traités de manière globale. Dans cet article, nous proposons d’utiliser le Transport Optimal (Optimal Transport, OT) pour résoudre ces problèmes dans un cadre unifié, nommé UniOT. Premièrement, nous concevons une alignment partiel basé sur OT avec un remplissage adaptatif, permettant de détecter automatiquement les classes communes sans aucune valeur seuil prédéfinie, ce qui convient aux scénarios réalistes d’UniDA. Cette approche peut automatiquement identifier les différences intrinsèques entre classes communes et classes propres à partir des informations statistiques de la matrice d’affectation obtenue par OT. Deuxièmement, nous proposons une méthode d’apprentissage de représentation cible basée sur OT, qui favorise à la fois la discrimination globale et la cohérence locale des échantillons, afin d’éviter une dépendance excessive vis-à-vis du domaine source. Notamment, UniOT est la première méthode capable de découvrir et de reconnaître automatiquement les catégories propres au domaine cible en UniDA. À cet effet, nous introduisons une nouvelle métrique, appelée H^3-score, pour évaluer la performance en tenant compte à la fois de l’exactitude des échantillons communs et de la qualité du regroupement des échantillons propres. Des expériences étendues démontrent clairement les avantages de UniOT par rapport à un large éventail de méthodes de pointe en UniDA.