Étude de la généralisation de DASF à l'adaptation de domaine semi-supervisée
Résumé
Adapter un modèle d'une distribution source vers une distribution cible différente est un problème important en apprentissage automatique. Dans le cadre de l'adaptation de domaine, Ben-David et al. ont montré qu'un classifieur a de meilleures garanties de généralisation lorsque la distance entre les deux distributions marginales selon l'espace d'entrée est faible. Dans le cas non-supervisé, lorsque les données d'apprentissage sont uniquement issues de la distribution source, Morvant et al. ont créé un algorithme, appelé DASF, visant à diminuer cette distance par la construction itérative d'un espace de projection défini explicitement à l'aide d'une bonne fonction de similarité (au sens de Balcan et al.). Dans cet article nous généralisons DASF au cas semi-supervisé dans lequel quelques données cibles d'apprentissage sont considérées. Notre méthode se base sur le cadre théorique de Ben-David et al. proposant la minimisation d'une combinaison convexe des erreurs empiriques source et cible. Nous réalisons une étude de la parcimonie et de la capacité en généralisation des modèles inférés par notre méthode puis nous confirmons cette analyse sur un exemple jouet et une tâche d'annotation réelle.
Origine | Fichiers éditeurs autorisés sur une archive ouverte |
---|
Loading...