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.
Document type :
Conference papers
Complete list of metadatas

Cited literature [17 references]  Display  Hide  Download

https://hal.archives-ouvertes.fr/hal-00685524
Contributor : Emilie Morvant <>
Submitted on : Wednesday, May 23, 2012 - 11:50:05 AM
Last modification on : Tuesday, April 2, 2019 - 1:42:35 AM
Long-term archiving on : Wednesday, December 14, 2016 - 8:21:09 PM

File

SSDASF_CAP.pdf
Publisher files allowed on an open archive

Identifiers

  • HAL Id : hal-00685524, version 1

Citation

Emilie Morvant, Amaury Habrard, Stéphane Ayache. Étude de la généralisation de DASF à l'adaptation de domaine semi-supervisée. Conférence Francophone sur l'Apprentissage Automatique - CAp 2012, May 2012, Nancy, France. pp.111-126. ⟨hal-00685524⟩

Share

Metrics

Record views

460

Files downloads

141