Adaptación Robusta de Dominio sin Fuente desde Modelos Fuente No Robustos

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Visión por Computadora

Sus antecedentes:

• La adaptación de dominio no supervisada (UDA) a menudo se basa en modelos fuente robustos, lo cual no es práctico.
• Los datos fuente pueden ser inaccesibles o ineficientes para el entrenamiento de adaptación en escenarios del mundo real.
• Los métodos existentes tienen dificultades con el entrenamiento adversario en UDA, lo que lleva a la degradación del modelo.

Objetivo del estudio:

• Abordar la adaptación de dominio robusta sin fuente utilizando solo un modelo fuente no robusto y datos de destino no etiquetados.
• Desarrollar un método que supere la degradación causada por el entrenamiento adversario en UDA.
• Mejorar la robustez y el rendimiento del modelo en tareas desafiantes de adaptación de dominio.

Principales métodos:

• Se propone la Optimización Alterna sin Fuente (SFAO) para entrenar un modelo de destino robusto utilizando un modelo fuente no robusto.
• Se empleó una estrategia de entrenamiento alterno para minimizar las discrepancias entre los dominios fuente y de destino adversario.
• Se introdujo el Entrenamiento Adversario Suavemente Restringido (SCAT) para mitigar los errores de pseudoetiquetado durante el entrenamiento adversario.

Principales resultados:

• SFAO mejora significativamente el rendimiento del modelo tanto en datos limpios como adversarios.
• Los métodos propuestos abordan eficazmente los desafíos de la adaptación de dominio robusta sin fuente.
• Los hallazgos empíricos muestran que se mitiga la amplificación de los errores de UDA por el entrenamiento adversario.

Conclusiones:

• La adaptación de dominio robusta sin fuente es factible con los métodos propuestos SFAO y SCAT.
• El enfoque ofrece una solución práctica para escenarios que carecen de modelos fuente robustos o datos fuente.
• El estudio demuestra un avance significativo en la robustez adversaria para la adaptación de dominio.