تطبیق دامنه بدون نظارت با واگرایی برگمن و طبقه‌بند انطباقی

Abstract

در تشخیص الگو و طبقه‌بندی تصویر، فرض معمول بر این است که مجموعه آموزشی (دامنه منبع) و مجموعه تست (دامنه هدف) توزیع یکسانی را به اشتراک می‌گذارند که در اغلب کاربردهای دنیای واقعی نقض می‌شود. در این‌صورت ممکن است مدل‌های یادگیری سنتی بر روی مجموعه‌های آموزشی به درستی تعمیم داده نشوند. برای مقابله با این مشکل، یادگیری انتقالی و تطبیق دامنه، سعی می‌کنند با بهره‌گیری از داده‌های 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 طبقه‌بندی پیشنهاد می‌دهیم. در سناریو بدون نظارت که در آن هیچ نمونه برچسب دار از دامنه هدف موجود نیست، مدل ما داده‌ها را به گونه‌ای تغییر می‌دهد که توزیع نمونه‌های دامنه منبع وهدف مشابه شوند. برای مقایسه دو توزیع، رویکرد ما ‌ از واگرایی برگمن استفاده می‌کند. با این وجود این رویکرد به تنهایی برای تعمیم مدل کافی نیست. در اینجا، ما یک مدل تطبیق‌پذیر برای یادگیری نمایش بهتر جهت مقابله با عدم توازن توزیع در دامنه‌های مختلف ارائه می‌دهیم. چارچوب مدل طبقه-بندی با اضافه کردن یک طبقه‌بند سازگار برای طبقه‌بندی دامنه هدف تعمیم می‌یابد. بدین‌ترتیب، این چارچوب تضمین کننده طبقه‌بندی دامنه هدف بوده و خطر ریسک تجربی در دامنه هدف را به حداقل می‌رساند و سازگاری هندسی با ساختار داده‌های منبع را به حداکثر می‌رساند. مطالعه تجربی ما بر روی مجموعه داده‌های معتبر موید این است که رویکرد پیشنهادی ما می تواند به طور مداوم دقت طبقه-بندی را در مقایسه با الگوریتم‌های یادگیری ماشین پایه و روش‌های تطبیق‌دامنه بهبود دهد.