Réseaux d'agrégation de domaines pour l'adaptation de domaines multi-sources

Résumé

Dans de nombreuses applications du monde réel, nous voulons exploiter plusieurs ensembles de données sources pour construire un modèle pour un ensemble de données cible différent mais apparenté. Malgré les succès empiriques récents, la plupart des recherches existantes ont utilisé des méthodes ad hoc pour combiner des sources multiples, ce qui a conduit à un écart entre la théorie et la pratique. Dans cet article, nous développons une limite de généralisation à échantillon fini basée sur la divergence de domaine et proposons en conséquence une procédure d'optimisation justifiée sur le plan théorique. Notre algorithme, Domain AggRegation Network (DARN), peut automatiquement et dynamiquement trouver un équilibre entre l'inclusion de plus de données pour augmenter la taille effective de l'échantillon et l'exclusion des données non pertinentes pour éviter les effets négatifs pendant la formation. Nous constatons que DARN peut surpasser de manière significative les solutions de pointe dans de nombreuses tâches du monde réel, notamment la reconnaissance de chiffres et d'objets et l'analyse de sentiments.