التدريب الثلاثي غير المتماثل للتكيف بين المجالات دون إشراف

النماذج ذات الطبقات العميقة التي تم تدريبها على عدد كبير من العينات المصنفة تعزز دقة العديد من المهام. من المهم تطبيق مثل هذه النماذج في مجالات مختلفة لأن جمع العديد من العينات المصنفة في مختلف المجالات يكون مكلفاً. في التكيف بين المجالات بدون إشراف، يحتاج المرء إلى تدريب تصنيف يمكنه العمل بشكل جيد في المجال المستهدف عند توفير عينات مصنفة من المصدر وعينات غير مصنفة من المجال المستهدف. رغم أن العديد من الطرق تسعى إلى مطابقة توزيعات العينات بين المصدر والمجال المستهدف، فإن مطابقة التوزيع ببساطة لا يمكن أن تضمن الدقة في المجال المستهدف. لتعلم التمثيلات التمييزية للمجال المستهدف، نفترض أن وضع علامات صناعية على عينات المجال المستهدف يمكن أن يؤدي إلى تمثيل جيد. يستخدم طريقة التدريب الثلاثي ثلاثة تصنيفات بالتساوي لإعطاء علامات زائفة للعينات غير المصنفة، ولكن الطريقة لا تفترض وضع علامات على العينات المنتجة من مجال مختلف. في هذا البحث، نقترح طريقة تدريب ثلاثي غير متماثل للتكييف بين المجالات بدون إشراف، حيث نقوم بوضع علامات زائفة على العينات غير المصنفة وتدريب الشبكات العصبية كما لو كانت هذه العلامات حقيقية. في عملنا، نستخدم ثلاثة شبكات بطريقة غير متماثلة. وبغير متماثلة، نعني أنه يتم استخدام شبكتين لوضع علامات على العينات غير المصنفة من المجال المستهدف وشبكة واحدة يتم تدريبها باستخدام هذه العينات للحصول على تمثيليات تمييزية للمجال المستهدف. قمنا بتقييم طرقنا على مجموعة بيانات التعرف على الأرقام وتحليل المشاعر. حققت الطريقة المقترحة أداءً يتفوق على أفضل ما سُجل حتى الآن (state-of-the-art) في مجموعة بيانات التعرف على الأرقام كمقياس لتكييف المجال.