Adaptation de domaine en régression par alignement de décompositions non-négatives - Archive ouverte HAL Access content directly
Conference Papers Year : 2022

Adaptation de domaine en régression par alignement de décompositions non-négatives

(1, 2) , (1) , (1) , (2)
1
2
Mohamad Dhaini
Maxime Berar
Paul Honeine
Antonin van Exem
  • Function : Author

Abstract

Domain Adaptation methods seek to generalize the knowledge learned on a labeled source domain across another unlabeled target domain. Most of the deep learning methods for domain adaptation address the classification task, while regression models are still one step behind with some positive results in a shallow framework. Existing deep models for regression adaptation tasks rely on aligning the eigenvectors of both source and target data. This process, although providing satisfying results, is however unstable and not a backpropagation-friendly process. In this paper, we present a novel deep adaptation model based on aligning the non-negative sub-spaces derived from source and target domains. Removing the orthogonality constraints makes the model more stable for training. The proposed method is evaluated on a domain adaptation regression benchmark. Results show competitive performance compared to state-of-the-art models.
-Les approches d'adaptation de domaine cherchent à généraliser les connaissances acquises dans un domaine source étiqueté à un autre domaine cible non étiqueté. La plupart des approches d'apprentissage profond avec adaptation de domaine visent la tâche de classification. Parmi les modèles profonds existant pour les tâches de régression, l'adaptation de domaine peut être réalisée en alignant les vecteurs propres des données source et cible. Ce processus, bien qu'il donne des résultats acceptables, est cependant instable et n'est pas favorable à la rétropropagation du gradient. Dans cet article, nous présentons un nouveau modèle d'adaptation de domaine pour réseau de neurones profond basé sur l'alignement des sous-espaces non négatifs dérivés des domaines source et cible. L'élimination des contraintes d'orthogonalité rend le modèle plus stable en apprentissage. Notre approche est évaluée sur un jeu de données de référence pour l'adaptation de domaine en régression. Les résultats montrent des performances compétitives par rapport aux autres modèles de pointe.
Fichier principal
Vignette du fichier
22.gretsi.adaptation.pdf (506.14 Ko) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03749186 , version 1 (10-08-2022)

Identifiers

  • HAL Id : hal-03749186 , version 1

Cite

Mohamad Dhaini, Maxime Berar, Paul Honeine, Antonin van Exem. Adaptation de domaine en régression par alignement de décompositions non-négatives. 28-ème Colloque GRETSI sur le Traitement du Signal et des Images, GRETSI, Sep 2022, Nancy, France. ⟨hal-03749186⟩
27 View
28 Download

Share

Gmail Facebook Twitter LinkedIn More