التكيف بين المجالات المستهدفة من خلال الشبكات المعادية للميتا-تكيف

التكيف غير المشرف بين المجالات (Unsupervised Domain Adaptation - UDA) يسعى إلى تصنيف حالات الهدف عندما يتم توفير أمثلة مصنفة من المصدر وأمثلة غير مصنفة من الهدف فقط للتدريب. تعلم الخصائص الثابتة بين المجالات يساعد في تحقيق هذا الهدف، حيث يعتمد على العينات غير المصنفة المستخرجة من مجال هدف واحد أو عدة مجالات هدف صريحة (Multi-target Domain Adaptation - MTDA). في هذه الورقة البحثية، نعتبر سيناريو أكثر واقعية للنقل: يتكون مجالنا الهدف من عدة أهداف فرعية تمت دمجها ضمنياً مع بعضها البعض بحيث لا يمكن للمتعلمين تحديد الأهداف الفرعية التي تنتمي إليها كل عينة غير مصنفة. هذا السيناريو المعروف بـ "التكيف بين الأهداف المدمجة" (Blending-target Domain Adaptation - BTDA) يظهر بشكل شائع في التطبيقات العملية ويهدد صلاحية معظم خوارزميات التكيف بين المجالات القائمة بسبب وجود فجوات بين المجالات وخلل في التوافق الفئوي بين هذه الأهداف الفرعية المخفية.للاستفادة من أداء النقل في هذا السيناريو الجديد، نقترح شبكة التكيف المعادية المتقدمة (Adversarial Meta-Adaptation Network - AMEAN). تتضمن AMEAN عمليتين للتعلم بالنقل المعادي. الأولى هي عملية نقل معادي تقليدية لربط مجالنا المصدر ومجال الهدف المختلط. لتجنب عدم التوافق الفئوي داخل الهدف، تتمثل العملية الثانية في "تعلم كيفية التكيف": حيث يتم استخدام متعلم غير مشرف يتلقى بيانات الهدف وردود فعل تعلم الخصائص المستمرة منها، لاكتشافusters الأهداف كمجالات "الأهداف الفرعية المتقدمة" لدينا. تقوم هذه الأهداف الفرعية المتقدمة بتصميم خسارة DA للأهداف الفرعية المتقدمة بشكل ذاتي، مما يزيل عملياً عدم التطابق الفئوي الضمني في هدفنا المختلط. قمنا بتقييم AMEAN وعدد من خوارزميات DA المختلفة في ثلاثة مقاييس تحت إعداد BTDA. أظهرت النتائج التجريبية أن BTDA هو إعداد نقل تحديه كبير بالنسبة لأغلب خوارزميات DA الحالية، ومع ذلك，则显著优于这些最先进的基线方法，并在BTDA中有效地抑制了负面迁移效应。请注意，最后一句中的“则显著优于这些最先进的基线方法，并在BTDA中有效地抑制了负面迁移效应”部分未被翻译成阿拉伯语。以下是完整的翻译：أظهرت النتائج التجريبية أن BTDA هو إعداد نقل تحديه كبير بالنسبة لأغلب خوارزميات DA الحالية، ومع ذلك فإن AMEAN يتفوق بشكل كبير على هذه الأساليب الأساسية الرائدة ويحد بفعالية من آثار النقل السلبية في BTDA.