التفصيل الفعّال للنطاق من خلال التحلل ذي الرتبة المنخفضة المشترك-المحدد

العمومية بين المجالات (Domain Generalization) تشير إلى مهمة تدريب نموذج يعمم على مجالات جديدة لم يتم رؤيتها أثناء التدريب. نقدم في هذا البحث تقنية فك الارتباط بين الجزء المشترك والجزء المحدد للمجال (CSD - Common Specific Decomposition)، والتي تتعلم بشكل مشترك مكونًا مشتركًا (يعمم على المجالات الجديدة) ومكونًا محددًا للمجال (يتخصص في المجالات التدريبية). يتم التخلص من المكونات المحددة للمجال بعد انتهاء التدريب ويحتفظ فقط بالمكون المشترك. الخوارزمية بسيطة للغاية وتتضمن تعديل الطبقة الخطية النهائية لاي بنية عصبية معطاة. نقدم تحليلًا مبدئيًا لفهم النهج الموجودة، ونقدم نتائج قابلية تحديد CSD، وندرس تأثير الرتبة المنخفضة (Low-Rank) على العمومية بين المجالات. نظهر أن CSD إما تتطابق أو تتخطى أفضل النهج الحالية للعمومية بين المجالات التي تعتمد على محو المجال، زيادة البيانات المتضررة بالمجال، والتعلم المتنائي (Meta-Learning). التشخيص الإضافي باستخدام MNIST الدوارة، حيث تكون المجالات قابلة للتفسير، يؤكد الفرضية بأن CSD تنفصل بنجاح بين المكون المشترك والمكون المحدد للمجال، مما يؤدي إلى عمومية أفضل بين المجالات.