Adaptation de domaine multiple à sources adverses

Bien que l’adaptation de domaine ait fait l’objet de recherches actives, la plupart des algorithmes se concentrent sur le cadre d’adaptation à source unique et cible unique. Dans cet article, nous proposons de nouvelles bornes de généralisation ainsi que des algorithmes dans les cadres de classification et de régression pour l’adaptation de domaine non supervisée à plusieurs sources. Notre analyse théorique conduit naturellement à une stratégie d’apprentissage efficace basée sur les réseaux neuronaux adverses : nous montrons comment interpréter cette approche comme l’apprentissage de représentations de caractéristiques invariantes aux décalages de plusieurs domaines, tout en restant discriminantes pour la tâche d’apprentissage. À cette fin, nous proposons les réseaux adverses de domaine à plusieurs sources (MDAN), qui abordent l’adaptation de domaine en optimisant des bornes de généralisation adaptées à la tâche. Pour démontrer l’efficacité de MDAN, nous menons des expériences étendues, révélant une performance d’adaptation supérieure sur des problèmes de classification et de régression, notamment l’analyse d’opinion, la classification de chiffres et le comptage de véhicules.