Une approche PAC-Bayes pour l'adaptation au domaine avec une spécialisation pour les classificateurs linéaires.

Résumé Nous proposons une première analyse PAC-Bayes pour l'adaptation au domaine (AD) qui se produit lorsque les distributions d'apprentissage et de test diffèrent. Elle s'appuie sur une nouvelle pseudodistance de distribution basée sur une moyenne des désaccords. En utilisant cette mesure, nous dérivons une limite PAC-Bayesienne de l'AD pour le classifieur stochastique de Gibbs. Cette limite a l'avantage d'être directement optimisable pour tout espace d'hypothèses. Nous la spécialisons aux classificateurs linéaires et concevons un algorithme d'apprentissage qui donne des résultats intéressants sur un problème synthétique et sur une tâche populaire d'annotation de sentiments. Cela ouvre la porte à la résolution de tâches d'AD en utilisant tous les outils PAC-Bayes.