شبكات فصل المجالات

تُعد تكلفة جمع البيانات وتصنيفها على نطاق واسع غالبًا ما تجعل تطبيق خوارزميات التعلم الآلي على مهام جديدة أو قواعد بيانات جديدة باهظة الثمن بشكل مفرط. إحدى الطرق التي تتجاوز هذه التكلفة هي تدريب النماذج على بيانات اصطناعية حيث يتم توفير التصنيفات بشكل آلي. رغم جاذبيتها، غالبًا ما تفشل مثل هذه النماذج في التعميم من الصور الاصطناعية إلى الصور الحقيقية، مما يتطلب استخدام خوارزميات التكيف بين المجالات لتعديل هذه النماذج قبل أن يمكن تطبيقها بنجاح. تتركز الأساليب الحالية إما على رسم تمثيلات من مجال إلى آخر، أو على تعلم استخراج الخصائص التي تكون ثابتة بغض النظر عن المجال الذي تم استخراجها منه. ومع ذلك، فإن التركيز فقط على إنشاء رسم أو تمثيل مشترك بين المجالين يتجاهل الخصائص الفردية لكل مجال. نقترح أن نمذجة ما هو فريد لكل مجال بشكل صريح يمكن أن يحسن قدرة النموذج على استخراج الخصائص الثابتة بين المجالات. مستوحاة من العمل في مجال تحليل المكونات الخاصة والمشتركة، نتعلم صراحةً كيفية استخراج تمثيلات للصور مقسمة إلى فرعين: مكون خاص بكل مجال ومكون مشترك بين المجالين. يتم تدريب نموذجنا ليس فقط لأداء المهمة التي نهتم بها في المجال المصدر، بل أيضًا لاستخدام التمثيل المقسّم لإعادة بناء الصور من كلا المجالين. يؤدي هندسة العمارة الجديدة لدينا إلى نموذج يتفوق على أحدث التقنيات في مجموعة من سيناريوهات التكيف غير المنظور بين المجالات، بالإضافة إلى إنتاج تصوير بصري للمكونات الخاصة والمشتركة مما يتيح فهم عملية التكيف بين المجالات.