ليد: تعلّم التحليل للتكيف الحولي من دون مصدر

يُركّز التكييف العالمي للنطاق (UniDA) على نقل المعرفة في ظل وجود كل من الانزياحات في التوزيع المُعطى (covariate shift) والانزياحات في العلامات (label shift). ظهر مؤخرًا مفهوم التكييف العالمي للنطاق دون مصادر (SF-UniDA)، والذي يهدف إلى تحقيق التكييف العالمي للنطاق دون الحاجة إلى الوصول إلى بيانات المصدر، وهو ما يجعله أكثر ملاءمة عمليًا نظرًا لسياسات حماية البيانات. تكمن التحدي الرئيسي في تحديد ما إذا كانت العينات المتأثرة بالانزياح في التوزيع المُعطى تنتمي إلى فئات غير معروفة خاصة بالهدف (target-private unknown categories). تعتمد الطرق الحالية على إما تحديد حدود يدوية (hand-crafted thresholding) أو تطوير استراتيجيات تجميع تكرارية مكلفة من حيث الوقت. في هذه الورقة، نُقدّم فكرة جديدة تُسمّى LEArning Decomposition (LEAD)، التي تفكّك الميزات إلى مكونات معروفة من المصدر وغير معروفة من المصدر، بهدف تحديد البيانات الخاصة بالهدف. من الناحية التقنية، تبدأ LEAD باستخدام تحليل التفكيك المتعامد (orthogonal decomposition analysis) لتفكيك الميزات، ثم تُنشئ حدود قرار على مستوى كل عينة لتحديد بيانات الهدف الخاصة بشكل تكيفي. أظهرت تجارب واسعة في سيناريوهات متعددة من UniDA فعالية وتفوّق LEAD. وبشكل ملحوظ، حققت LEAD تفوقًا بنسبة 3.5% في متوسط درجة H (H-score) مقارنةً بـ GLC في سيناريو OPDA على مجموعة بيانات VisDA، كما قلّصت من وقت إنشاء حدود القرار للتصنيف الوهمي (pseudo-labeling decision boundaries) بنسبة 75%. بالإضافة إلى ذلك، تُعد LEAD مُميزة لأنها مكملة لمعظم الطرق الحالية. يمكن الوصول إلى الكود عبر الرابط: https://github.com/ispc-lab/LEAD.