تعلم نقل الأمثلة للتكيف الجزئي للمجال

التكيف بين المجالات أمر حاسم للتعلم في بيئات جديدة وغير معروفة. من خلال التدريب المعاكس للمجال، يمكن للشبكات العميقة تعلم الخصائص المنفصلة والقابلة للنقل التي تقلل بشكل فعال من الانحراف بين مجموعات البيانات في المجال المصدر والمجال الهدف لنقل المعرفة. في عصر البيانات الضخمة، أصبحت توفر مجموعات بيانات كبيرة ومصنفة جاهزة يحفز اهتمامًا واسعًا بالتكيف الجزئي بين المجالات (PDA)، والذي يقوم بنقل مُعرِّف من مجال كبير ومصنف إلى مجال صغير غير مصنف. يمتد هذا النهج التقليدي للتكيف بين المجالات إلى السيناريو حيث تكون العلامات الهدف مجرد مجموعة فرعية من العلامات المصدر. تحت شرط عدم معرفة العلامات الهدف، فإن التحدي الرئيسي لـ PDA هو كيفية نقل الأمثلة ذات الصلة في الفئات المشتركة لتعزيز النقل الإيجابي، وإهمال الأمثلة غير ذات الصلة في الفئات الخاصة لتخفيف النقل السلبي. في هذا البحث، نقترح نهجًا موحدًا للتكيف الجزئي بين المجالات، وهو شبكة نقل الأمثلة (Example Transfer Network - ETN)، والتي تتعلم تمثيلات ثابتة للمجال عبر المجالين المصدر والهدف، بالإضافة إلى نظام توزيع تدريجي للأوزان يقيس قابلية نقل الأمثلة المصدر بينما يتحكم بأهميتها للمهمة التعليمية في المجال الهدف. أظهرت التقييمات الشاملة على عدة مجموعات بيانات معيارية أن نهجنا حقق أفضل النتائج الحالية لمهام التكيف الجزئي بين المجالات.