تطبیق دامنه بدون نظارت با واگرایی برگمن و طبقه بند انطباقی

در تشخیص الگو و طبقه بندی تصویر، فرض معمول بر این است که مجموعه آموزشی (دامنه منبع) و مجموعه تست (دامنه هدف) توزیع یکسانی را به اشتراک می گذارند که در اغلب کاربردهای دنیای واقعی نقض می شود. در این صورت ممکن است مدل های یادگیری سنتی بر روی مجموعه های آموزشی به درستی تعمیم داده نشوند. برای مقابله با این مشکل، یادگیری انتقالی و تطبیق دامنه، سعی می کنند با بهره گیری از داده های آموزشی با توزیع مشابه با دامنه منبع، مدل را برای دامنه هدف تعمیم دهند. در این مقاله، ما یک راه حل جدید برای رویارویی با تطبیق دامنه بدون نظارت برای طبقه بندی پیشنهاد می دهیم. در سناریو بدون نظارت که در آن هیچ نمونه برچسب دار از دامنه هدف موجود نیست، مدل ما داده ها را به گونه ای تغییر می دهد که توزیع نمونه های دامنه منبع وهدف مشابه شوند. برای مقایسه دو توزیع، رویکرد ما از واگرایی برگمن استفاده می کند. با این وجود این رویکرد به تنهایی برای تعمیم مدل کافی نیست. در اینجا، ما یک مدل تطبیق پذیر برای یادگیری نمایش بهتر جهت مقابله با عدم توازن توزیع در دامنه های مختلف ارائه می دهیم. چارچوب مدل طبقه-بندی با اضافه کردن یک طبقه بند سازگار برای طبقه بندی دامنه هدف تعمیم می یابد. بدین ترتیب، این چارچوب تضمین کننده طبقه بندی دامنه هدف بوده و خطر ریسک تجربی در دامنه هدف را به حداقل می رساند و سازگاری هندسی با ساختار داده های منبع را به حداکثر می رساند. مطالعه تجربی ما بر روی مجموعه داده های معتبر موید این است که رویکرد پیشنهادی ما می تواند به طور مداوم دقت طبقه-بندی را در مقایسه با الگوریتم های یادگیری ماشین پایه و روش های تطبیق دامنه بهبود دهد.

کلیدواژه ها:

یادگیری انتقالی ، واگرایی برگمن ، کاهش ابعاد ، طبقه بند انطباقی