التعلم المنقول مع التكيف الديناميكي للتوزيع

يهدف التعلم الناقل إلى تعلم تصنيفات قوية للنطاق المستهدف من خلال الاستفادة من المعرفة المكتسبة من نطاق مصدر. وبما أن النطاق المصدري والنطاق المستهدف غالبًا ما ينتميان إلى توزيعات مختلفة، فإن الطرق الحالية تركز بشكل رئيسي على تكييف التوزيعات الحاشية أو الشرطية بين النطاقين. ومع ذلك، في التطبيقات الواقعية، غالبًا ما تختلف المساهمة النسبية للتوزيعات الحاشية والشرطية في التباين بين النطاقين. وتؤدي الطرق الحالية إلى فشل في تقييم كمّي للأهمية المختلفة لهذه التوزيعات، مما ينجم عنه أداء غير مرضٍ في التعلم الناقل. في هذا البحث، نقترح مفهومًا جديدًا يُسمى التكييف الديناميكي للتوزيع (Dynamic Distribution Adaptation - DDA)، الذي يتمتع القدرة على تقييم كمّي للأهمية النسبية لكل توزيع. ويمكن دمج DDA بسهولة ضمن إطار تقليل المخاطر الهيكلية لحل مشكلات التعلم الناقل. واستنادًا إلى DDA، نقترح خوارزميتين جديدتين للتعلم: (1) التكييف الديناميكي للتوزيع على السطح (Manifold Dynamic Distribution Adaptation - MDDA) للتعلم الناقل التقليدي، و(2) شبكة التكييف الديناميكي للتوزيع (Dynamic Distribution Adaptation Network - DDAN) للتعلم الناقل العميق. وتُظهر التجارب الواسعة أن MDDA وDDAN تُحسّنان بشكل كبير من أداء التعلم الناقل، وتقُدمان معيارًا قويًا مقارنة بأحدث الطرق العميقة والمنافسة في مهام التعرف على الأرقام، وتحليل المشاعر، والتصنيف الصوتي. والأهم من ذلك، تُظهر النتائج أن التوزيعات الحاشية والشرطية تساهمان بشكل مختلف في التباين بين النطاقات، وأن DDA قادر على تقديم تقييم كمي دقيق لأهمية كل منهما نسبيًا، ما يؤدي إلى تحسين الأداء. ونعتقد أن هذه الملاحظة يمكن أن تكون مفيدة لبحوث مستقبلية في مجال التعلم الناقل.