Domain adaptation via subspace learning and kernel methods

Autor(es)

Luís Augusto Martins Pereira

• Tipo de documento: Tese de Doutorado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Instituto de Computação
• Data de defesa: 2018-07-27

Membros da banca

Ricardo da Silva Torres; Hélio Pedrini; Alexandre Luís Magalhães Levada; Aparecido Nilceu Marana; Marco Antonio Garcia de Carvalho; Roberto de Alencar Lotufo

• Orientador: Ricardo da Silva Torres

Resumo

O deslocamento de domínio é um fenômeno observado quando dois domínios relacionados ¿ um domínio fonte (conjunto de treinamento) e um alvo (conjunto de teste) ¿ apresentam uma diferença entre suas distribuições de probabilidade marginal. Este fenômeno é prevalente em aprendizado de máquina, particularmente em aplicações do mundo real. Em visão computacional, por exemplo, o deslocamento de domínio ocorre essencialmente porque os dados visuais podem ser capturados por diferentes dispositivos e sob condições variadas de imageamento, como cena, pose e iluminação. Na presença de deslocamento de domínio, no entanto, classificadores convencionais geralmente não atingem desempenhos desejáveis na fase de teste. Isto ocorre porque pressupõem um ambiente estacionário, ou seja, o domínio fonte e o alvo são supostamente amostrados da mesma distribuição de probabilidade. Como superar a limitação imposta por esse pressuposto é a questão que orienta este estudo. Aqui, apresento mecanismos algorítmicos para abordar o problema de deslocamento de domínio, aumentando, assim, os desempenhos de classificação. Os algoritmos foram propostos sob o paradigma de adaptação de domínio semi-supervisionado, no qual estão disponíveis um domínio fonte totalmente rotulado e um domínio alvo parcialmente rotulado para guiar a adaptação de domínio. O problema de deslocamento de domínio é atacado por esses algoritmos de duas maneiras diferentes: i) aprendendo uma nova representação de características invariante entre os domínios; e ii) combinando uma nova representação de características com um modelo de adaptação de domínio. Nesse contexto, concluo que o aprendizado semi-supervisionado de características através de um subespaço restringido por vínculos semânticos entre domínios ¿ ou seja, restrições em pares entre os domínios ¿ é um mecanismo efetivo para reduzir o deslocamento de domínio. Além disso, mostro que características invariantes extraídas em um Espaço de Hilbert Reproduzido por Kernel com um modelo de adaptação de domínio de margem máxima produz um método semi-supervisionado que reduz a mudança de domínio mais do que essas soluções separadamente (AU)

• Processo FAPESP: 15/09169-3 - Adaptação de domínio com supervisão mínima em problemas multimídia
• Beneficiário: Luis Augusto Martins Pereira
• Modalidade de apoio: Bolsas no Brasil - Doutorado