Imaginez que vous appreniez à un ordinateur à reconnaître un chien. Vous lui montrez des milliers de photos : un golden retriever dans un parc ensoleillé, un caniche dans une ruelle sous la pluie, un husky dans la neige. L'ordinateur apprend bien, mais il pourrait s'appuyer sur des raccourcis. Au lieu d'apprendre ce qui fait qu'un chien est un chien, il pourrait apprendre que les chiens dans vos photos apparaissent toujours sur de l'herbe verte ou contre des ciels bleus. Si vous montrez ensuite à l'ordinateur la photo d'un chien sur un tapis rouge, il pourrait échouer complètement parce qu'il n'a jamais appris l'animal lui-même, seulement l'arrière-plan. C'est un problème courant en intelligence artificielle connu sous le nom de « décalage de domaine » (domain shift), où un modèle entraîné dans un environnement donné peine lorsque les conditions changent. Les scientifiques essaient de résoudre cela en apprenant aux ordinateurs à ignorer les décors changeants pour se concentrer uniquement sur les caractéristiques essentielles de l'objet.

Une équipe de chercheurs de l'Université du Delaware a proposé une nouvelle façon d'aider les ordinateurs à faire exactement cela. Ils appellent leur méthode FOCUS, qui signifie « Feature Orthogonalization via Contrastive Upper-bound Separation » (Orthogonalisation de caractéristiques par séparation de limite supérieure contrastive). L'idée centrale est de forcer l'ordinateur à diviser sa compréhension d'une image en deux parties distinctes : une partie qui décrit ce qu'est l'objet, et une autre qui décrit l'endroit où la photo a été prise ou quel est son style. En gardant ces deux informations strictement séparées, l'ordinateur devient bien meilleur pour reconnaître des objets dans des environnements nouveaux et inédits. Les chercheurs ont testé cette idée sur quatre ensembles d'images différents, allant de croquis et de dessins animés à des photos réelles d'animaux dans la nature. Ils ont constaté que leur méthode améliorait la précision de l'ordinateur de l'ordre de 0,70 % à 2,70 % par rapport aux meilleures méthodes existantes, les gains les plus importants étant observés dans la tâche difficile d'identification des animaux dans la nature.

Les chercheurs sont partis d'une observation simple : les modèles de vision par ordinateur standards se confondent souvent parce qu'ils mélangent l'identité d'un objet avec le style de l'image. Pour corriger cela, ils ont construit un système doté de deux voies distinctes, ou « branches », pour le traitement de l'information. Une branche est dédiée à l'apprentissage du contenu de l'image, comme la forme d'un chien ou la couleur d'une voiture. L'autre branche est dédiée à l'apprentissage du domaine, qui inclut des facteurs tels que l'éclairage, la caméra utilisée ou le style artistique du dessin. Le but est que la branche de contenu devienne si performante pour identifier l'objet qu'elle n'ait plus besoin de regarder l'arrière-plan ou le style, tandis que la branche de domaine capture tous ces détails supplémentaires.

Cependant, posséder simplement deux branches ne suffit pas. Les chercheurs ont réalisé que si ces deux branches sont autorisées à communiquer trop librement, la branche de contenu pourrait encore glisser des indices provenant de la branche de domaine, menant l'ordinateur aux mêmes erreurs. Pour empêcher cela, ils ont introduit une règle qui force les deux branches à rester statistiquement indépendantes. En termes simples, cela signifie que l'information dans la branche de contenu ne doit pas aider à prédire l'information dans la branche de domaine, et vice versa. Si l'ordinateur apprend qu'une forme spécifique apparaît toujours avec un arrière-plan spécifique, il échoue lorsque cet arrière-plan change. En brisant ce lien, l'ordinateur est forcé de se fier uniquement à la forme elle-même.

Pour imposer cette séparation, les chercheurs ont utilisé un outil mathématique appelé « information mutuelle ». Considérez l'information mutuelle comme une mesure de ce que deux choses vous disent l'une de l'autre. Si vous connaissez la météo, et que cela vous en dit beaucoup sur le fait que les gens portent des parapluies, l'information mutuelle entre la météo et les parapluies est élevée. Les chercheurs voulaient que l'information mutuelle entre le « quoi » (l'objet) et le « où » (le domaine) soit aussi proche de zéro que possible. Ils ont développé une façon de calculer ce nombre et l'ont utilisé comme une pénalité lors de l'entraînement. Chaque fois que les deux branches commençaient à partager trop d'informations, le système appliquait une pénalité, les repoussant l'une de l'autre.

Le document présente un tournant intéressant sur la manière dont ce calcul est effectué. Les chercheurs ont initialement utilisé une méthode qui fournit une limite supérieure de la façon dont les branches sont connectées. Ils ont ensuite testé une méthode différente qui fournit une limite inférieure. C'est comme essayer de mesurer la distance entre deux villes : une méthode garantit que la distance n'est pas supérieure à un certain nombre, tandis que l'autre garantit qu'elle est au moins d'un certain nombre. Les chercheurs voulaient voir si la méthode spécifique utilisée pour calculer cette distance importait pour le résultat final. Ils ont trouvé que les deux méthodes fonctionnaient très bien. La méthode qui fixe une limite supérieure a obtenu un score légèrement meilleur dans certains tests, mais la méthode qui fixe une limite inférieure a presque aussi bien performé. Cela suggère que la partie la plus importante de la solution n'est pas la mathématique spécifique utilisée pour mesurer la connexion, mais l'acte de forcer l'ordinateur à séparer l'objet de son arrière-plan.

L'équipe a testé son système sur quatre bancs d'essai majeurs pour s'assurer qu'il fonctionnait à travers différents types de défis. Le premier était une collection d'images montrant des objets dans quatre styles différents : photos, peintures, dessins animés et croquis. Le second impliquait des images provenant de quatre ensembles de données différents, qui varient dans la façon dont elles ont été prises et dans les arrière-plans qu'elles présentent. Le troisième était une grande collection d'objets de bureau et de maison, allant de dessins artistiques à des photos de produits réels. Le quatrième était un ensemble particulièrement difficile d'images prises par des pièges photographiques dans la nature, montrant des animaux dans leurs habitats naturels. Ces images sauvages sont délicates car l'arrière-plan, l'éclairage et l'angle de la caméra changent radicalement d'un endroit à l'autre, et l'ordinateur confond souvent ces indices environnementaux avec l'identité de l'animal.

Dans les tests sur les styles artistiques et les objets de bureau, la nouvelle méthode a amélioré la précision de l'ordinateur d'environ 0,70 % à 1,26 % par rapport aux meilleures méthodes précédentes. Bien que ces chiffres puissent sembler faibles, dans le monde de l'intelligence artificielle, même une fraction de pourcentage d'amélioration est significative car elle représente un véritable progrès en matière de fiabilité. L'amélioration la plus spectaculaire, cependant, est venue de la tâche de reconnaissance des animaux sauvages. Ici, la nouvelle méthode a augmenté la précision de 2,70 %. C'est un gain substantiel, suggérant que la méthode est particulièrement efficace pour gérer les variations désordonnées et imprévisibles de la nature. Les chercheurs ont noté que dans la nature, où une caméra peut capturer un cerf sous un soleil éclatant ou dans l'ombre profonde, l'ordinateur s'appuie souvent sur l'éclairage pour deviner l'animal. En forçant l'ordinateur à ignorer l'éclairage pour se concentrer uniquement sur le cerf, le système est devenu beaucoup plus robuste.

Les chercheurs ont également examiné de près comment l'ordinateur apprend pendant le processus d'entraînement. Ils ont découvert que les deux méthodes mathématiques différentes qu'ils ont utilisées pour mesurer la connexion entre les branches se comportaient de manière assez différente. Une méthode produisait des nombres qui étaient naturellement équilibrés avec les autres parties du processus d'apprentissage, ce qui facilitait l'entraînement sans ajustement constant. L'autre méthode produisait des nombres beaucoup plus élevés, nécessitant que les chercheurs les réduisent soigneusement pour qu'ils ne submergent pas le processus d'apprentissage. Malgré ces différences dans la sensation de l'entraînement, les deux méthodes ont conduit à des résultats finaux similaires. Cette découverte est importante car elle suggère que le succès de l'approche est robuste. Il ne dépend pas d'un tour mathématique unique et fragile, mais du principe fondamental de séparer l'objet de son contexte.

L'étude conclut que la clé pour rendre les ordinateurs plus fiables dans le monde réel est de leur apprendre à démêler ce qu'est un objet de l'endroit où il est vu. En modélisant explicitement l'arrière-plan et le style comme une entité distincte, puis en forçant l'ordinateur à ignorer cette entité lors de l'identification de l'objet, le système devient beaucoup plus difficile à tromper. Les chercheurs ont trouvé que, bien que l'outil spécifique utilisé pour mesurer la séparation compte pour la façon dont l'ordinateur apprend, l'acte de séparation lui-même est ce qui génère l'amélioration. Cette approche offre une voie prometteuse pour construire une intelligence artificielle capable de s'adapter à de nouveaux environnements sans avoir besoin d'être réentraînée de zéro chaque fois que le décor change.

En fin de compte, ce travail démontre que la capacité d'un ordinateur à se généraliser à de nouvelles situations ne dépend pas seulement de la vue de plus d'exemples, mais de la vue des bons types d'exemples. En apprenant à la machine à distinguer les caractéristiques permanentes d'un objet des caractéristiques temporaires de son environnement, les chercheurs ont créé un système qui est moins susceptible d'être confondu par un changement d'éclairage, une caméra différente ou un nouveau style artistique. Les résultats suggèrent que cette stratégie de séparation est un outil puissant pour rendre l'intelligence artificielle plus digne de confiance et capable de naviguer dans le monde complexe et changeant de la vie réelle.