Un Cadre Formel de Boosting pour l'Adaptation de Domaine
Abstract
L' hypothèse PAC classique, selon laquelle les données d' apprentissage et de test sont issues d'une même distribution, n'est pas satisfaite dans bon nombre de problèmes réels en apprentissage. Pour traiter des cas où les données sont issues de distributions source et cible différentes, un cadre récent - l'adaptation de domaine (AD) - permet de concevoir des algorithmes théoriquement fondés. Nous présentons DABOOST basé à la fois sur les théories du Boosting et de l'AD. L'originalité par rapport à l'état de l'art est que notre méthode nécessite uniquement des étiquettes source. Aucune information sur les étiquettes cible n'étant disponible, nous minimisons à la fois l'erreur en classification sur la source, comme ADABOOST, et la proportion de violations de marge sur la cible. Nous montrons théoriquement la convergence de DABOOST avec une borne sur l'erreur en généralisation et donnons des exemples pratiques de son efficacité.
Origin : Files produced by the author(s)
Loading...