محاذاة الميزات التمييزية: تحسين قابلية النقل في التكيف بين المجالات غير المراقبة من خلال محاذاة الإسقاط الموجهة بالطيفية الغاوسية

في هذه الدراسة، نركز على مشكلة التكيف بين المجالات غير المراقبة، حيث يتم تعلم نموذج استنتاج تقريبي من مجال بيانات مُعلَّمة، ويُتوقع أن يُظهر أداءً جيدًا في مجال بيانات غير مُعلَّمة. يعتمد نجاح التكيف بين المجالات غير المراقبة بشكل كبير على مواءمة السمات عبر المجالات. حاولت الدراسات السابقة مواءمة السمات المخفية مباشرة من خلال الفروق الناتجة عن التصنيف. ومع ذلك، لا يمكن دائمًا تعلُّم فضاء سمات مشترك عبر هذه المواءمة المباشرة للسمات، خاصةً عندما يكون هناك فجوة كبيرة بين المجالات. لحل هذه المشكلة، نقدّم منهجية مُوجَّهة بالاحتمال الطبيعي (Gaussian-guided latent alignment) لمواءمة توزيعات السمات المخفية في المجالين تحت إشراف التوزيع الأولي. وبهذه الطريقة غير المباشرة، يتم بناء التوزيعات على العينات من المجالين على فضاء سمات مشترك، أي فضاء التوزيع الأولي، مما يعزز مواءمة السمات بشكل أفضل. ولضمان مواءمة فعّالة لتوزيع السمات الهدف مع هذا التوزيع الأولي، نقترح أيضًا مسافة L1 غير مزدوجة (unpaired L1-distance) جديدة، مستفيدين من صيغة نموذج المُشفِّر-المُفكِّك (encoder-decoder). وقد أكدت التقييمات الواسعة على تسع مجموعات بيانات معيارية كفاءة نقل المعرفة الفائقة من خلال تفوقها على الطرق الرائدة، وتنوعية المنهج المقترح من خلال تحسينه الملموس للعمل الحالي.