Adaptação de Domínio NBNN Frustrantemente Fácil

Nos últimos anos, vários autores sinalizaram que os métodos de categorização de ponta falham em ter um bom desempenho quando treinados e testados com dados de diferentes bancos de dados. O consenso geral na literatura é que essa questão, conhecida como adaptação de domínio e/ou viés de dataset, se deve a uma discrepância de distribuição entre coleções de dados. Os métodos que a abordam vão de classificadores de margem máxima a aprender como modificar as características e obter uma representação mais robusta. A grande maioria desses trabalhos usa descritores de características BOW e métodos de aprendizado baseados em funções de distância imagem a imagem. Seguindo o trabalho seminal de 6, neste artigo desafiamos essas duas suposições. Mostramos experimentalmente que o uso do classificador NBNN sobre bancos de dados de adaptação de domínio existentes sempre alcança desempenhos muito fortes. Construímos sobre esse resultado e apresentamos um algoritmo de adaptação de domínio baseado em NBNN que aprende iterativamente uma métrica de classe enquanto induz, para cada amostra, uma separação de grande margem entre as classes. Ao melhor de nosso conhecimento, este é o primeiro trabalho que aborda o problema de adaptação de domínio dentro da estrutura NBNN. Experimentos mostram que nosso método alcança o estado da arte, tanto em configurações não supervisionadas quanto semi-supervisionadas.