Apprentissage de représentations sémantiques pour l’adaptation de domaine non supervisée

Il est essentiel de transférer les connaissances provenant d’un domaine source riche en étiquettes vers un domaine cible non étiqueté, en raison du coût élevé des efforts de labellisation manuelle. Les méthodes antérieures d’adaptation de domaine abordent ce problème en alignant les statistiques globales des distributions entre le domaine source et le domaine cible, mais un inconvénient de ces approches réside dans le fait qu’elles négligent les informations sémantiques contenues dans les échantillons : par exemple, les caractéristiques associées à des sacs à dos dans le domaine cible pourraient être projetées près des caractéristiques associées à des voitures dans le domaine source. Dans cet article, nous proposons un réseau de transfert sémantique dynamique, qui apprend des représentations sémantiques pour les échantillons non étiquetés du domaine cible en alignant le centroïde étiqueté du domaine source avec le centroïde pseudo-étiqueté du domaine cible. Les caractéristiques appartenant à la même classe, mais provenant de domaines différents, sont ainsi censées être mappées proches les unes des autres, ce qui améliore la précision de classification du domaine cible. L’alignement du centroïde par moyenne mobile est soigneusement conçu afin de compenser le manque d’information catégorique présente dans chaque mini-batch. Les expérimentations montrent que notre modèle atteint des résultats de pointe sur des jeux de données standards.