Pondération adversariale pour l'adaptation au domaine dans la régression.

Résumé Nous présentons une nouvelle approche basée sur les instances pour traiter les tâches de régression dans le contexte de l'adaptation supervisée au domaine. L'approche développée dans cet article repose sur l'hypothèse que la tâche sur le domaine cible peut être apprise efficacement en repondérant de manière adéquate les instances sources pendant la phase de formation. Nous introduisons une nouvelle formulation de l'objectif d'optimisation pour l'adaptation de domaine qui repose sur une distance de divergence caractérisant la différence entre les domaines selon une tâche spécifique et une classe d'hypothèses. Pour résoudre ce problème, nous développons un algorithme de réseau contradictoire qui apprend à la fois le schéma de pondération de la source et la tâche en une seule descente de gradient vers l'avant. Nous fournissons des preuves numériques de la pertinence de la méthode sur des ensembles de données publiques pour l'adaptation des domaines grâce à des expériences reproductibles accessibles via une interface de démonstration en ligne.