Una clase de técnicas que modifican o ajustan finamente un modelo entrenado en una distribución de datos fuente para que funcione bien en una distribución objetivo diferente, normalmente usando pocos o ningún dato etiquetado de la meta.

Principio

Alinear o transferir la estructura predictiva entre fuente y objetivo para que la regla de decisión del modelo siga siendo válida a pesar de diferencias en las distribuciones de entrada o cambios superficiales en la medición.

Demostración

Entrenar un detector de objetos en imágenes sintéticas (fuente) y adaptarlo a imágenes reales de cámara (objetivo) mediante alineamiento de características no supervisado y un pequeño conjunto de imágenes objetivo no etiquetadas; tras la adaptación, la precisión en imágenes reales aumenta frente al modelo no adaptado.

Aplicación incorrecta

Tratar la adaptación de dominio como mera reponderación de ejemplos fuente cuando difiere la distribución condicional de etiquetas (label shift), lo que puede amplificar sesgos y reducir la precisión; o sobrealinear características y eliminar señales discriminativas para la tarea.

Consecuencia

Cuando se aplica correctamente, el modelo desplegado alcanza un rendimiento objetivo sustancialmente mejor sin grandes cantidades de datos etiquetados; aplicado erróneamente puede degradar el rendimiento y amplificar sesgos ocultos.

Inversión

Especialización por dominio: entrenar modelos separados para cada dominio sin intentar transferencia, o negarse a adaptar y asumir que el modelo entrenado en la fuente generalizará sin cambios.

Límite

Se aplica cuando fuente y objetivo comparten tareas o conjuntos de etiquetas relacionados y existe alguna relación estadística entre dominios; no garantiza rendimiento fiable si la función de etiquetas objetivo es fundamentalmente diferente o el soporte objetivo está fuera del soporte fuente.

Tensión semántica

Se solapa con transfer learning, corrección de covariate shift y fine-tuning; la tensión aparece cuando 'adaptación de dominio' se usa indiscriminadamente para cualquier ajuste entre conjuntos de datos aunque las hipótesis formales difieran.

Síntesis

La adaptación de dominio agrupa métodos prácticos que salvan la brecha entre modelos entrenados en una fuente y una nueva distribución objetivo al transferir o alinear estructura predictiva útil, manteniendo en cuenta las limitaciones impuestas por cambios en la función de etiquetas y desajustes de soporte.