L'adaptation graduelle de domaine (GDA) représente un défi important en apprentissage automatique, visant à transférer les connaissances d'un domaine source vers un domaine cible via des domaines intermédiaires. Les méthodes traditionnelles souffrent souvent de migrations de connaissances inefficaces ou de données intermédiaires incomplètes, limitant leur applicabilité dans des scénarios réels dynamiques où les distributions de données évoluent progressivement.
La méthode STDW proposée introduit un mécanisme de pondération dynamique qui adapte automatiquement l'équilibre entre les contributions des pertes des domaines source et cible pendant l'entraînement. Ce cadre d'optimisation est gouverné par un hyperparamètre temporel ϱ qui évolue progressivement de 0 à 1, contrôlant la force de l'apprentissage spécifique au domaine et assurant une adaptation stable. L'approche combine l'auto-apprentissage pour générer des pseudo-étiquettes avec une fonction objectif pondérée pour les mises à jour itératives du modèle.
Les expérimentations menées sur MNIST rotatif, MNIST à décalage de couleurs, des ensembles de données de portraits et le jeu de données Cover Type démontrent que STDW surpasse les méthodes de référence existantes. Les études d'ablation valident en outre le rôle crucial de la planification dynamique de ϱ dans l'atteinte d'une adaptation progressive, confirmant son efficacité pour réduire le biais de domaine et améliorer la généralisation.
Ce travail fournit à la fois des perspectives théoriques et un cadre pratique pour l'adaptation graduelle de domaine robuste, avec des applications potentielles dans divers scénarios réels dynamiques où les modèles doivent s'adapter continuellement à des environnements changeants. La disponibilité du code ouvre également des possibilités de reproduction et d'extension par la communauté scientifique.