MLNet : Réseau d'apprentissage mutuel avec invariance de voisinage pour l'adaptation de domaine universelle

L’adaptation de domaine universelle (UniDA) est un problème pratique mais difficile, dans lequel aucune information sur la relation entre les domaines source et cible n’est fournie pour permettre le transfert de connaissances. Les méthodes actuelles d’UniDA peuvent souffrir de deux défauts majeurs : négliger les variations intra-domaine présentes dans le domaine cible, et éprouver des difficultés à distinguer les classes connues similaires des classes inconnues. Pour remédier à ces problèmes, nous proposons un nouveau réseau d’apprentissage mutuel (MLNet) fondé sur l’invariance des voisins pour l’UniDA. Dans notre approche, l’apprentissage de représentations invariantes guidées par la confiance, combiné à une sélection auto-adaptative des voisins, vise à réduire les variations intra-domaine afin d’obtenir des représentations de caractéristiques plus généralisables. En exploitant un schéma de mixup cross-domaine pour améliorer l’identification des classes inconnues, la méthode proposée corrige les erreurs de classification des classes connues grâce à un apprentissage mutuel entre un classificateur à ensemble fermé et un classificateur à ensemble ouvert. Des expériences étendues sur trois benchmarks publics démontrent que notre méthode obtient les meilleurs résultats par rapport aux états de l’art dans la plupart des cas, et surpasse significativement la méthode de base dans les quatre configurations d’UniDA. Le code est disponible à l’adresse suivante : https://github.com/YanzuoLu/MLNet.