Apprentissage information-théorique des clusters discriminants pour l'adaptation de domaine non supervisée

Nous étudions le problème de l'adaptation de domaine non supervisée, qui vise à adapter des classifiers entraînés sur un domaine source étiqueté à un domaine cible non étiqueté. De nombreuses approches existantes apprennent d'abord des caractéristiques invariantes au domaine puis construisent des classifiers avec celles-ci. Nous proposons une approche novatrice qui apprend conjointement les deux. Plus précisément, alors que la méthode identifie un espace de caractéristiques où les données des domaines source et cible sont distribuées de manière similaire, elle apprend également l'espace de caractéristiques de manière discriminative, optimisant une métrique information-théorique comme proxy de l'erreur de mauvaise classification attendue sur le domaine cible. Nous montrons comment cette optimisation peut être réalisée efficacement avec des méthodes simples basées sur le gradient et comment les hyperparamètres peuvent être validés par croisement sans exiger de données étiquetées du domaine cible. Des études empiriques sur des tâches de référence de reconnaissance d'objets et d'analyse de sentiments ont validé nos hypothèses de modélisation et démontré une amélioration significative de notre méthode par rapport aux méthodes concurrentes en termes de précisions de classification.