تطبیق دامنه های بصری با استفاده از تطبیق خصوصیات و مدل

در اکثر الگوریتم های یادگیری ماشین، توزیع احتمالی داده های آموزشی و تست (دامنه های منبع و هدف) یکسان فرض شده است. این درحالی است که در مسائل دنیای واقعی، اغلب این فرض برقرار نبوده و موجب کاهش بازدهی مدل می شود. هدف روش های تطبیق دامنه، ایجاد یک مدل تطبیق پذیر بر روی داده های آموزشی است که دارای عملکرد قابل قبولی بر روی داده های تست باشد. در این مقاله، یک روش تطبیقی بدون نظارت دومرحله ای با بهره گیری از روش های تطبیق خصوصیات و تطبیق مدل پیشنهاد شده است. در مرحله اول، داده های دامنه های منبع و هدف به یک فضای مشترک که دارای حداقل اختلاف توزیع حاشیه ای و شرطی می باشد، نگاشت می شوند و سپس از خوشه بندی مستقل از دامنه برای ایجاد تفکیک پذیری کلاس های مختلف در دامنه منبع بهره گرفته می شود. در مرحله دوم، یک طبقه بند انطباقی با حداقل کردن خطای پیش بینی و حداکثر نمودن سازگاری هندسی بین دامنه های منبع و هدف ایجاد می شود. روش پیشنهادی، بر روی چهار نوع پایگاه داده بصری شناخته شده با 36 آزمایش طراحی شده، مورد ارزیابی قرارگرفته است. نتایج به دست آمده، نشان دهنده بهبود قابل ملاحظه از عملکرد روش پیشنهادی در مقایسه با جدیدترین روش های حوزه یادگیری ماشین و یادگیری انتقالی است.

کلیدواژه ها:

یادگیری انتقالی ، تطبیق دامنه بصری ، نمایش خصوصیات ، خوشه بندی مستقل از دامنه ، طبقه بند انطباقی