Généralisation à Domaine Unique via une Sonde de Diversité Non Supervisée

La généralisation à domaine unique (GDU) est un scénario de généralisation de domaine réaliste mais difficile qui vise à généraliser un modèle entraîné sur un domaine unique à plusieurs domaines invisibles. Les méthodes typiques de GDU sont essentiellement des stratégies d'augmentation de données supervisées, qui tendent à améliorer la nouveauté plutôt que la diversité des échantillons augmentés. Une diversité insuffisante peut compromettre la capacité de généralisation du modèle. Dans cet article, nous proposons une nouvelle méthode adversariale, appelée Sonde de Diversité Non Supervisée (SDNS), pour synthétiser des échantillons nouveaux et divers dans des environnements entièrement non supervisés. Plus précisément, pour garantir que les échantillons sont nouveaux, nous étudions la GDU d'un point de vue informationnel qui minimise les coefficients d'incertitude entre les échantillons synthétisés et ceux de la source. Étant donné que la variation dans un domaine source unique est limitée, nous introduisons une régularisation imposée sur le module auxiliaire qui synthétise des échantillons variables, incorporée avec des coefficients d'incertitude de manière adversariale pour compléter la diversité. Subséquemment, une région disponible est utilisée pour garantir la sécurité des échantillons. Pour l'architecture du réseau, nous concevons un module de sonde simple qui peut synthétiser des échantillons sous plusieurs aspects différents. La SDNS est une méthode non supervisée et facile à mettre en œuvre qui résout la GDU en utilisant uniquement des échantillons synthétiques (sources), réduisant ainsi la dépendance aux modèles de tâche. D'amples expériences sur trois ensembles de données de référence montrent que la SDNS obtient des résultats remarquables et surpasse les méthodes supervisées et non supervisées existantes de manière significative dans la généralisation à domaine unique.