Adaptation par décalage de domaine via des transformations linéaires

Résumé :

Un prédicteur, fA : X → Y , appris avec des données d'un domaine source (A) peut ne pas être précis sur un domaine cible (B) lorsque leurs distributions sont différentes. L'adaptation au domaine vise à réduire les effets négatifs de ce décalage de distribution. Ici, nous analysons le cas où PA(Y | X) 6= PB(Y | X), PA(X) 6= PB(X) mais PA(Y ) = PB(Y ) ; où il existe des transformations affines de X qui rendent toutes les distributions équivalentes. Nous proposons une approche pour projeter les domaines source et cible dans un espace commun de plus faible dimension, en (1) projetant les domaines dans les vecteurs propres des matrices de covariance empiriques de chaque domaine, puis (2) en trouvant une matrice orthogonale qui minimise l'écart moyen maximal entre les projections des deux domaines. Pour les transformations affines arbitraires, il existe un problème inhérent de non-identifiabilité lors de l'adaptation non supervisée des domaines qui peut être atténué dans le cas semi-supervisé. Nous montrons l'efficacité de notre approche dans des données simulées et dans des tâches de classification de chiffres binaires, en obtenant des améliorations allant jusqu'à 48% de précision lors de la correction du décalage de domaine dans les données.