نهج متوازن واعٍ بالغموض لتكيف المجال الجزئي

يُعالج هذا العمل مشكلة التكيّف غير المراقب بين المجالات، وخاصة في الحالة التي تكون فيها علامات الفئات في المجال الهدف مجرد مجموعة جزئية من علامات الفئات في المجال المصدر. يُعدّ هذا السياق من التحويل الجزئي واقعيًا لكنه يُشكّل تحديًا كبيرًا، حيث تعاني الطرق الحالية من مشكلتين رئيسيتين: الانتقال السلبي (Negative Transfer) وانتشار عدم اليقين (Uncertainty Propagation). في هذه الورقة، نبني على التعلم المُعاكس للمجالات (Domain Adversarial Learning) ونُقدّم طريقة جديدة لتكيف المجالات تُسمى BA$^3$US، تتضمّن تقنيتين جديدتين تُعرفان بـ "المحاذاة المُتعادلة المتوازنة" (Balanced Adversarial Alignment - BAA) و"قمع عدم اليقين التكيفي" (Adaptive Uncertainty Suppression - AUS) على التوالي. من ناحية، يُنتج الانتقال السلبي تصنيفًا خاطئًا للعينات في المجال الهدف إلى فئات موجودة فقط في المجال المصدر. ولحل هذه المشكلة، تسعى BAA إلى تحقيق التوازن بين توزيعات العلامات عبر المجالات بطريقة بسيطة وفعّالة. وبشكل محدد، تُستخدم عينات مصدرية عشوائية بسيطة لتعزيز المجال الهدف الأصغر أثناء عملية المُحاذاة بين المجالات، مما يُحقق تناظرًا بين الفئات في المجالين. من ناحية أخرى، يُعتبر العينة من المجال المصدر غير مؤكدة إذا كانت هناك فئة خاطئة تحصل على درجة تنبؤ نسبية عالية، وغالبًا ما ينتشر هذا عدم اليقين إلى العينات غير المُعلّمة في المجال الهدف المحيطة بها أثناء عملية المُحاذاة، مما يؤدي إلى تدهور كبير في أداء التكيّف. لذلك، نقدّم AUS التي تُركّز على العينات غير المؤكدة، وتُطبّق دالة تحسين تعتمد على "الإنتروبيا المكملة الموزونة تكيفيًا" لتشجيع الفئات الخاطئة على امتلاك درجات تنبؤ متساوية ومنخفضة. أظهرت النتائج التجريبية على عدة معايير معيارية أن طريقة BA$^3$US تتفوّق على أفضل الطرق الحالية في مهام التكيّف الجزئي للمجالات. يُمكن الوصول إلى الشيفرة المصدرية من خلال الرابط: \url{https://github.com/tim-learn/BA3US}.