Apprendre d'un domaine source avec étiquettes complémentaires : Théorie et algorithmes

Dans l'adaptation de domaine non supervisée (UDA), un classificateur pour le domaine cible est formé avec d'énormes données d'étiquettes vraies provenant du domaine source et des données non étiquetées du domaine cible. Cependant, la collecte de données d'étiquettes vraies dans le domaine source peut être coûteuse et parfois impraticable. Comparé à l'étiquette vraie (TL), une étiquette complémentaire (CL) spécifie une classe à laquelle un patron n'appartient pas, et donc, la collecte d'étiquettes CL serait moins laborieuse que la collecte d'étiquettes TL. Dans cet article, nous proposons un cadre novateur où le domaine source est composé de données d'étiquettes complémentaires, et une borne théorique de ce cadre est fournie. Nous considérons deux cas de ce cadre : l'un est que le domaine source contient uniquement des données d'étiquettes complémentaires, une UDA complètement complémentaire (CC-UDA) et l'autre est que le domaine source a beaucoup de données d'étiquettes complémentaires et une petite quantité de données d'étiquettes vraies, une UDA partiellement complémentaire (PC-UDA). Dans ce but, un réseau antagoniste d'étiquettes complémentaires (CLARINET) est proposé pour résoudre les problèmes CC-UDA et PC-UDA. CLARINET maintient simultanément deux réseaux profonds, l'un se concentrant sur la classification des données d'étiquettes complémentaires du domaine source et l'autre s'occupant de l'adaptation distributionnelle du source vers le cible. Des expériences montrent que CLARINET surpasse de manière significative une série de références compétentes sur les tâches de reconnaissance de chiffres manuscrits et de reconnaissance d'objets.