التكيف بين المجالات باستخدام التمييز المعادي

طرق التعلم المعادية هي نهج واعد لتدريب شبكات عميقة قوية، ويمكنها إنتاج عينات معقدة عبر مجالات متنوعة. كما يمكن لهذه الطرق تحسين التعرف على الرغم من وجود تحول في المجال أو تحيز في مجموعة البيانات: فقد تم تقديم العديد من النماذج المعادية للتكيف غير المشرف بالمجال مؤخرًا، والتي تقلل الفرق بين توزيعات المجال في مرحلتي التدريب والاختبار، مما يحسن أداء التعميم. النماذج الجenerative السابقة قد أظهرت تصورات مقنعة، لكنها لم تكن مثلى للمهام التمييزية ويمكن أن تكون محدودة للتحولات الأصغر. أما النماذج التمييزية السابقة فقد كانت قادرة على التعامل مع تحولات مجال أكبر، ولكنها فرضت وزنًا مشتركًا على النموذج ولم تستغل خسارة قائمة على GAN (Generative Adversarial Network). نحن نقدم أولاً إطارًا عامًا جديدًا للتكيف المعادي، والذي يشمل الأساليب الرائدة حديثًا كحالات خاصة، ونستخدم هذا الإطار العام لربط الأساليب السابقة بشكل أفضل. نقترح حالة جديدة لم يتم استكشافها سابقًا من إطارنا العام تجمع بين النمذجة التمييزية، مشاركة الأوزان غير المرتبطة وخسارة GAN، والتي نطلق عليها اسم التكيف المعادي التمييزي (ADDA). نوضح أن ADDA أكثر فعالية وأبسط بكثير من الطرق المعادية المنافسة للمجال، ونبين الوعد الذي تحمله طريقتنا بتجاوز نتائج التكيف غير المشرف الرائدة حاليًا في مهام تصنيف الأرقام عبر المجالات وفي مهمة تصنيف الكائنات الأكثر صعوبة عبر الوسائط.