L'apprentissage par transfert vise à tirer parti des connaissances acquises à partir du domaine source étiqueté et à les transférer vers un domaine cible non étiqueté. L'adaptation de domaine non supervisée (UDA), un défi central de l'apprentissage par transfert, implique généralement d'aligner les distributions entre les domaines pour réduire le décalage de domaine. Bien que la plupart des méthodes UDA existantes reposent sur des réseaux de neurones profonds, elles nécessitent un entraînement complet considérable, consomment d'importantes ressources informatiques, manquent d'interprétabilité et sont sujettes à l'overfitting. Dans ce travail, nous proposons une méthode de transfert de labels basée sur des graphes (GLT) construite sur GraphHop, un cadre non paramétrique et efficace en labels développé initialement pour la propagation de labels. GLT construit des graphes k-NN adaptatifs par label basés sur des caractéristiques alignées et effectue un auto-entraînement itératif à travers un affinage de pseudo-labels conscient de l'entropie. Nous introduisons un mécanisme de filtrage d'entropie dirigé par validation qui sélectionne de manière adaptative des échantillons cibles à haute confiance à travers les cycles d'entraînement. Ce mécanisme nous permet d'élargir progressivement l'ensemble étiqueté avec des données pseudo-étiquetées fiables, améliorant la robustesse et la généralisation. Nous évaluons GLT sur des benchmarks standards d'adaptation de domaine. Les expériences montrent qu'il atteint une précision de classification compétitive avec une complexité computationnelle considérablement réduite, permettant un processus de transfert intuitif et transparent qui reflète les relations géométriques intrinsèques entre les échantillons.
Li et al. (Mar,) ont étudié cette question.