Classe Submerge : Adaptation de Domaine Cible Conditionnelle Mutuelle et Mixte

Les méthodes actuelles d'adaptation de domaine à cibles mélangées (BTDA) infèrent généralement ou considèrent les informations des étiquettes de domaine, mais négligent les structures catégorielles hybrides des cibles, ce qui limite leurs performances, en particulier en cas de décalage de la distribution des étiquettes. Nous démontrons que les étiquettes de domaine ne sont pas directement nécessaires pour le BTDA si les distributions catégorielles de différents domaines sont suffisamment alignées, même en présence d'un déséquilibre des domaines et d'un décalage de la distribution des étiquettes des classes. Cependant, nous observons que l'hypothèse du clustering dans le BTDA n'est pas entièrement vérifiée. L'espace des caractéristiques catégorielles hybrides entrave la modélisation des distributions catégorielles et la génération d'étiquettes pseudo-fiables pour l'alignement catégoriel. Pour remédier à ces problèmes, nous proposons un discriminateur de domaine catégoriel guidé par l'incertitude afin de modéliser explicitement et d'aligner directement les distributions catégorielles $P(Z|Y)$. En même temps, nous utilisons les caractéristiques de bas niveau pour enrichir les caractéristiques sources uniques avec divers styles cibles afin de corriger le classifieur biaisé $P(Y|Z)$ parmi les différentes cibles. Un tel alignement conditionnel mutuel de $P(Z|Y)$ et $P(Y|Z)$ forme un mécanisme renforcé mutuellement. Notre approche surpasse l'état de l'art en BTDA, même comparée aux méthodes utilisant des étiquettes de domaine, en particulier en cas de décalage de la distribution des étiquettes, et dans l'adaptation de domaine à une seule cible sur DomainNet. Les codes sources sont disponibles à l'adresse \url{https://github.com/Pengchengpcx/Class-overwhelms-Mutual-Conditional-Blended-Target-Domain-Adaptation}.