التكيف بين المجالات المتعددة بدون إشراف من خلال تقطير المعرفة

التكيف غير المشرف بين المجالات (UDA) يسعى إلى تخفيف مشكلة التحول بين توزيع البيانات غير المصنفة من المجال المستهدف بالنسبة للبيانات المصنفة من المجال المصدر. بينما تم دراسة سيناريو UDA ذو الهدف الواحد بشكل جيد في الأدبيات، فإن التكيف بين مجالات متعددة (MTDA) لا يزال محدود الاستكشاف رغم أهميته العملية، مثل في تطبيقات المراقبة الفيديوية متعددة الكاميرات. يمكن معالجة مشكلة MTDA عن طريق تكييف نموذج متخصص لكل مجال مستهدف، ولكن هذا الحل يكون باهظ الثمن في العديد من التطبيقات الحقيقية. قد تم اقتراح دمج أهداف متعددة لـ MTDA، لكن هذا الحل قد يؤدي إلى انخفاض في خصوصية النموذج ودقته. في هذه الورقة البحثية، نقترح نهجًا جديدًا للتكيف غير المشرف بين مجالات متعددة (MTDA) لتدريب شبكة عصبية تقنية (CNN) يمكنها التعميم بشكل جيد عبر عدة مجالات مستهدفة. تعتمد طريقة MT-MTDA المتعددة المعلمين على تقنية التقطير المعرفي المتعدد المعلمين (KD) لتكرار عملية استخلاص معرفة المجال المستهدف من عدة معلمين إلى طالب مشترك. يتم تنفيذ عملية KD بطريقة تدريجية، حيث يتم تدريب الطالب بواسطة كل معلم على كيفية تنفيذ UDA لهدف معين، بدلاً من تعلم الخصائص التي تم تكييفها مباشرة حسب المجال. وفي النهاية، بدلاً من دمج المعرفة من كل معلم، تقوم MT-MTDA بالتبديل بين المعلمين الذين يستخلصون المعرفة، مما يحافظ على خصوصية كل هدف (معلم) عند التعلم لكيفية التكيف مع الطالب. تم مقارنة MT-MTDA مع أفضل الأساليب الموجودة على عدة مقاييس تحدي UDA صعبة، وأظهرت النتائج التجريبية أن النموذج المقترح يمكنه توفير مستوى أعلى بكثير من الدقة عبر عدة مجالات مستهدفة. الرمز البرمجي الخاص بنا متاح على الرابط التالي: https://github.com/LIVIAETS/MT-MTDA