Aprendizaje óptimo de gráficos y maximización de la norma nuclear para una propagación de etiquetas robusta en dominios cruzados profundos

La adaptación de dominio busca lograr la transferencia de etiquetas de un dominio fuente etiquetado a un dominio objetivo no etiquetado, donde los dos dominios presentan diferentes distribuciones. Los métodos existentes se concentran principalmente en diseñar un extractor de características para aprender mejores características invariantes al dominio, junto con el desarrollo de un clasificador efectivo para realizar predicciones confiables. En este documento, introducimos el aprendizaje óptimo de gráficos para generar un gráfico de dominio cruzado que conecta efectivamente los dos dominios, y dos gráficos específicos de dominio para capturar estructuras específicas del dominio. Por un lado, incorporamos los tres gráficos en el clasificador de propagación de etiquetas (LP) para mejorar su robustez a la diferencia de distribución. Por otro lado, aprovechamos los tres gráficos para introducir pérdidas de incrustación de gráficos, promoviendo el aprendizaje de características localmente discriminativas e invariantes al dominio. Además, maximizamos la norma nuclear de las predicciones en LP para mejorar la diversidad de clases, mejorando así su robustez frente al problema del desequilibrio de clases. Correspondientemente, desarrollamos un algoritmo eficiente para resolver el problema de optimización asociado. Finalmente, integramos las pérdidas de LP y de incrustación de gráficos propuestas en una red neuronal profunda, lo que resulta en nuestra propuesta de LP robusta en dominios cruzados profundos. Experimentos extensivos realizados en tres conjuntos de datos de referencia de dominios cruzados demuestran que nuestro enfoque propuesto podría superar los métodos existentes de adaptación de dominio de vanguardia.