Apprentissage contrastif pour l'adaptation de domaine en régression - Normandie Université Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Apprentissage contrastif pour l'adaptation de domaine en régression

Mohamad Dhaini
Maxime Berar
Paul Honeine
Antonin van Exem
  • Fonction : Auteur

Résumé

-L'adaptation de domaine non supervisée relève le défi d'utiliser des modèles d'apprentissage statistique sur des données de distribution différente de celle des données d'entraînement. Cela impose d'apprendre des représentations efficaces qui peuvent être généralisées à travers les domaines. Dans cet article, nous étudions l'utilisation de l'apprentissage contrastif pour améliorer les approches d'adaptation de domaine. À cette fin, l'apprentissage contrastif est appliqué à l'espace latent d'un réseau de neurones, où l'objectif est d'apprendre une représentation qui maximise la similitude entre des exemples similaires et minimise la similitude entre des exemples dissemblables. En outre, pour minimiser l'écart entre les domaines source et cible, le procédé utilise l'apprentissage par dictionnaire, où les dictionnaires sont extraits à la fois des données source et cible et la trajectoire entre les deux dictionnaires est minimisée. La méthode proposée est évaluée sur le jeu de données dSprites, montrant de meilleures performances que les méthodes de l'état de l'art.
Fichier principal
Vignette du fichier
23.gretsi.adaptation.pdf (2.41 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04194190 , version 1 (02-09-2023)

Identifiants

  • HAL Id : hal-04194190 , version 1

Citer

Mohamad Dhaini, Maxime Berar, Paul Honeine, Antonin van Exem. Apprentissage contrastif pour l'adaptation de domaine en régression. Actes du 29-ème Colloque GRETSI sur le Traitement du Signal et des Images, Aug 2023, Grenoble, France. ⟨hal-04194190⟩
5 Consultations
12 Téléchargements

Partager

Gmail Facebook X LinkedIn More