Abstract:

En la actualidad redes neuronales profundas han tenido éxito en la realización de tareas de Machine Learning, como por ejemplo la clasificación de imágenes. Sin embargo, generalmente es necesaria una gran cantidad de imágenes etiquetadas para evitar el problema del sobreajuste y generalizar hacia nuevos datos. Además, en muchos casos de la vida real obtener etiquetas es difícil y consume mucho tiempo.

En esta presentación se aborda el problema de transferir el conocimiento obtenido de un dominio de origen sobre el cual se poseen muchas etiquetas, a un dominio objetivo sobre el cual se poseen pocas o incluso ninguna etiqueta. Se introduce el algoritmo de Adaptación de dominio variacional adversaria (AVDA), un método de adaptación de dominio semi-supervisado basado en representaciones embebidas y métodos adversarios. Se muestra que este enfoque se puede utilizar para obtener una aceleración significativa en el rendimiento de clasificación teniendo pocas etiquetas en el dominio objetivo utilizando imágenes de galaxias y que además presenta resultados que superan el estado de arte actual para la clasificación de imágenes de dígitos.