التكيف غير المشرف بين المجالات من خلال الانتشار العكسي

الهياكل العميقة ذات الأداء المتميز يتم تدريبها على كميات ضخمة من البيانات المصنفة. في حالة عدم توفر بيانات مصنفة لمهمة معينة، غالبًا ما تكون التكيف بين المجالات خيارًا جذابًا بفضل توفر بيانات مصنفة مشابهة ولكن من مجال مختلف (مثل الصور الاصطناعية). في هذا السياق، نقترح نهجًا جديدًا للتكيف بين المجالات في الهياكل العميقة يمكن تدريبه على كمية كبيرة من البيانات المصنفة من المجال المصدر وكمية كبيرة من البيانات غير المصنفة من المجال الهدف (لا حاجة إلى بيانات مصنفة من المجال الهدف).مع تقدم عملية التدريب، يشجع هذا النهج ظهور "ميزات عميقة" تكون (أ) تمييزية للمهمة الرئيسية في المجال المصدر و(ب) ثابتة بالنسبة للتغير بين المجالات. نوضح أن يمكن تحقيق سلوك التكيف هذا في أي نموذج تقريبي تقريبًا عن طريق إضافة عدد قليل من الطبقات القياسية وطبقة عكس التدرج البسيطة الجديدة. يمكن تدريب الهيكل المعزز الناتج باستخدام التراجع الخلفي القياسي.بشكل عام، يمكن تنفيذ هذا النهج بجهد قليل باستخدام أي حزمة للتعلم العميق. أظهرت الطريقة أداءً ممتازًا في سلسلة من تجارب تصنيف الصور، حيث حققت تأثير التكيف في وجود تغيرات كبيرة بين المجالات وأفضلت الأداء السابق لأفضل التقنيات الموجودة على مجموعة بيانات Office.