Adaptation de domaine multi-source non supervisée pour la régression.

Résumé Nous considérons le problème de l'adaptation non supervisée du domaine à partir de sources multiples dans un contexte de régression. Nous proposons dans ce travail une méthode originale pour tirer profit de différentes sources en utilisant une combinaison pondérée des sources. Dans ce but, nous définissons une nouvelle mesure de similarité entre les probabilités pour l'adaptation de domaine que nous appelons hypothesis-discrepancy. Nous prouvons ensuite une nouvelle limite pour l'adaptation de domaine non supervisée combinant plusieurs sources. Nous dérivons de cette limite un nouvel algorithme d'adaptation de domaine contradictoire qui ajuste les poids donnés à chaque source, en s'assurant que les sources liées à la cible reçoivent des poids plus élevés. Enfin, nous évaluons notre méthode sur différents ensembles de données publiques et la comparons à d'autres bases d'adaptation de domaine pour démontrer l'amélioration pour les tâches de régression.