الارتباك العميق في المجال: تعظيم عدم تغير المجال

تشير التقارير الحديثة إلى أن نموذج الشبكة العصبية العميقة المشرف عليه (CNN) والمدرب على مجموعة بيانات كبيرة يقلل، ولكنه لا يزيل، تحيز البيانات في معيار قياسي. يمكن أن يتطلب ضبط النماذج العميقة في مجال جديد كمية كبيرة من البيانات، وهو ما ليس متاحًا للكثير من التطبيقات. نقترح هندسة شبكة عصبية عميقة جديدة تقدم طبقة تكيف إضافية وخسارة ارتباك المجال الإضافية، لتعلم تمثيل ذي معنى دلالي وثابت للمجال. كما نظهر أن يمكن استخدام مقياس ارتباك المجال لاختيار النموذج لتحديد بُعد الطبقة المتكيفة وأفضل موقع للطبقة في هيكل الشبكة العصبية العميقة (CNN). الطريقة المقترحة للتكييف لدينا تقدم أداءً تجريبيًا يتجاوز النتائج المنشورة سابقًا في مهمة التكيف البصري بين المجالات حسب المعيار القياسي.