CAT: Umbral adaptativo consciente de la clase para una generalización de dominio semisupervisada robusta

Área de la Ciencia:

• Visión por computadora
• Aprendizaje automático
• Inteligencia artificial

Sus antecedentes:

• La Generalización de Dominio (DG) tiene como objetivo transferir conocimiento a través de dominios, pero requiere datos etiquetados extensos.
• Los datos etiquetados de alta calidad son costosos y requieren mucha mano de obra, lo que limita las aplicaciones prácticas de la DG.
• La Generalización de Dominio Semi-supervisada (SSDG) ofrece una alternativa eficiente para las etiquetas.

Objetivo del estudio:

• Investigar un problema práctico de SSDG bajo un paradigma de etiqueta eficiente.
• Proponer un nuevo método, CAT, para un rendimiento de generalización competitivo con datos etiquetados limitados.
• Abordar las limitaciones de los métodos anteriores, incluidos los umbrales fijos y las pseudoetiquetas ruidosas.

Principales métodos:

• Aproveche el aprendizaje semisupervisado con datos etiquetados limitados.
• Emplear umbrales adaptativos para la generación de pseudoetiquetas de alta calidad con diversidad de clases.
• Utilice técnicas de refinamiento de etiquetas ruidosas para mejorar la fiabilidad de las pseudoetiquetas.

Principales resultados:

• CAT logra un rendimiento de generalización competitivo bajo cambios de dominio.
• Se ha demostrado un rendimiento superior en los conjuntos de datos de referencia: PACS (+3,45%), OfficeHome (+9,47%), y miniDomainNet (+10,90%).
• Destaca la eficacia en el logro de una generalización sólida a pesar de los cambios de dominio.

Conclusiones:

• CAT proporciona una solución sencilla pero muy eficaz para las tareas de SSDG.
• El método supera con éxito la dependencia de umbrales fijos y la sensibilidad a las pseudoetiquetas ruidosas.
• Lograr una generalización sólida en entornos de etiquetado eficiente, mejorando la aplicabilidad práctica de la DG.