Adaptación de dominio adversarial con pocos ejemplos

Este trabajo proporciona un marco para abordar el problema de la adaptación de dominio supervisada con modelos profundos. La idea principal es aprovechar el aprendizaje adversarial para aprender un subespacio embebido que maximiza simultáneamente la confusión entre dos dominios mientras alinea semánticamente su embebido. El entorno supervisado se vuelve atractivo especialmente cuando solo hay unas pocas muestras de datos objetivo que necesitan ser etiquetadas. En este escenario de aprendizaje de pocos ejemplos, la alineación y separación de distribuciones de probabilidad semántica es difícil debido a la falta de datos. Encontramos que al diseñar cuidadosamente un esquema de entrenamiento en el que el típico discriminador adversarial binario se amplía para distinguir entre cuatro clases diferentes, es posible abordar efectivamente el problema de adaptación supervisada. Además, el enfoque tiene una alta velocidad de adaptación, es decir, requiere un número extremadamente bajo de muestras de entrenamiento objetivo etiquetadas, incluso una por categoría puede ser efectiva. Luego comparamos extensamente este enfoque con el estado del arte en adaptación de dominio en dos experimentos: uno utilizando conjuntos de datos para el reconocimiento de dígitos manuscritos, y otro utilizando conjuntos de datos para el reconocimiento de objetos visuales.