التكيف الحدودي غير المراقب دون بيانات مصدرية من خلال نقل الفرضية ونقل التسمية

يهدف التكيف غير المراقب للنطاق (UDA) إلى نقل المعرفة من نطاق مصدري مُعلَّم جيدًا ولكن مختلف إلى نطاق مستقبلي غير مُعلَّم. تعتمد معظم الطرق الحالية لـ UDA على الوصول إلى بيانات المصدر، وبالتالي لا يمكن تطبيقها عندما تكون البيانات سرية ولا يمكن مشاركتها بسبب مخاوف الخصوصية. يهدف هذا البحث إلى معالجة بيئة واقعية تتضمن توفر نموذج تصنيف فقط، تم تدريبه على بيانات المصدر، بدلًا من الوصول الفعلي إلى تلك البيانات. وللتمكّن من الاستفادة الفعالة من النموذج المصدري في عملية التكيّف، نقترح منهجية جديدة تُسمى "نقل فرضية المصدر" (SHOT)، والتي تتعلم وحدة استخراج الميزات للنطاق المستقبلي من خلال مواءمة ميزات البيانات المستهدفة مع وحدة التصنيف المجمدة من النموذج المصدري (التي تمثل الفرضية التصنيفية). وبشكل خاص، يستخدم SHOT مبدأ تحسين المعلومات (information maximization) والتعلم ذاتي التحفيز (self-supervised learning) معًا في تعلم وحدة استخراج الميزات، لضمان تطابق الميزات المستهدفة بشكل ضمني مع ميزات بيانات المصدر غير المرئية من خلال نفس الفرضية. بالإضافة إلى ذلك، نقترح استراتيجية جديدة لنقل التصنيف، تقوم على تقسيم بيانات الهدف إلى قسمين بناءً على درجة ثقة التنبؤات (معلومة التصنيف)، ثم نستخدم التعلم شبه المراقب لتحسين دقة التنبؤات ذات الثقة المنخفضة في النطاق المستهدف. ونُسمّي نقل التصنيف هذا بـ SHOT++ إذا كانت التنبؤات مستمدة من SHOT. أظهرت التجارب الواسعة على مهام تصنيف الأرقام وتمييز الكائنات أن SHOT وSHOT++ يحققان نتائج تفوق أو توازي أفضل النتائج الحالية في المجال، مما يُظهر فعالية مناهجنا في معالجة مشكلات التكيّف البصري المتنوعة. يُتاح الكود على الرابط: \url{https://github.com/tim-learn/SHOT-plus}.