یادگیری طبقه بند بهینه با میانگین هندسی وزن دار و تطبیق توزیع تعادلی پویا

هدف از یادگیری انتقالی، آموزش طبقه بند بهینه برای طبقه بندی دامنه هدف (با تعداد کم یا بدون داده برچسب دار) با استفاده از داده های دامنه منبع (با تعداد کافی داده برچسب دار) است. برای عملکرد بهینه طبقه بند از دو دامنه (منبع و هدف) با توزیع مشابه یا یکسان استفاده می شود. اغلب مواقع در مسائل دنیای واقعی، یافتن دو دامنه (منبع و هدف) با توزیع یکسان کار سختی است. بنابراین برای کاهش اختلاف توزیع دو دامنه از انطباق دامنه بهره گرفته می شود. در این مقاله، یک روش جدید دو مرحله ای برای یادگیری انتقالی به صورت بدون نظارت با عنوان یادگیری طبقه بند بهینه با میانگین هندسی وزن دار و تطبیق توزیع تعادلی پویا (CGMD) پیشنهاد می شود. روش CGMD در مرحله ی اول، برای انطباق دامنه های منبع و هدف، از میانگین هندسی وزن دار آمار مرتبه دوم دامنه های منبع و هدف استفاده می کند. در مرحله دوم، CGMD یک طبقه بند بهینه با استفاده از حداقل کردن ریسک ساختاری و تطبیق توزیع تعادلی پویا در فضای منیفلد ریمنین یاد می گیرد. کارایی روش پیشنهادی روی دیتاست آفیس-کلتک- 11 ارزیابی شده و نتایج حاکی از بهبود قابل توجه عملکرد طبقه بند روی دامنه هدف در مقایسه با روش های جدید در زمینه یادگیری انتقالی است.

کلیدواژه ها:

یادگیری انتقالی ، تطبیق توزیع تعادلی ، انطباق دامنه ، یادگیری متریک ، طبقه بند