Transfert de joint local préservant la localité pour l'adaptation de domaine

L'adaptation de domaine vise à tirer parti des connaissances d'un domaine source bien étiqueté vers un domaine cible mal étiqueté. Une majorité des travaux existants transfèrent les connaissances au niveau des caractéristiques ou au niveau des échantillons. Des études récentes révèlent que les deux paradigmes sont fondamentalement importants, et optimiser l'un d'eux peut renforcer l'autre. S'inspirant de cela, nous proposons une nouvelle approche pour exploiter conjointement l'adaptation des caractéristiques avec l'appariement des distributions et l'adaptation des échantillons avec la sélection de points de repère. Pendant le transfert de connaissances, nous prenons également en compte la cohérence locale entre les échantillons afin que les structures de variétés des échantillons puissent être préservées. Enfin, nous déployons la propagation de labels pour prédire les catégories de nouvelles instances. Notamment, notre approche est adaptée à la fois pour les adaptations de domaines homogènes et hétérogènes en apprenant des projections spécifiques au domaine. Des expériences approfondies sur cinq benchmarks ouverts, qui comprennent à la fois des jeux de données standard et à grande échelle, vérifient que notre approche peut surpasser de manière significative non seulement les approches conventionnelles mais aussi les modèles profonds de bout en bout. Les expériences démontrent également que nous pouvons tirer parti de caractéristiques conçues à la main pour améliorer la précision des caractéristiques profondes par adaptation hétérogène.