{Joao P. Costeira José M. F. Moura Shanghang Zhang Geoffrey J. Gordon Han Zhao Guanhang Wu}
الملخص
بينما تم البحث بشكل نشط في التكييف النطاقي، يركّز معظم الخوارزميات على بيئة التكييف ذات المصدر الواحد والهدف الواحد. في هذه الورقة، نقترح حدودًا تعميم جديدة وخوارزميات فعّالة ضمن بيئة التصنيف والانحدار لمشكلة التكييف النطاقي غير المراقب متعدد المصادر. تؤدي تحليلاتنا النظرية بشكل طبيعي إلى استراتيجية تعلّم فعّالة تستخدم الشبكات العصبية المضادة: حيث نوضح كيفية تفسيرها كتعلم لتمثيلات الميزات التي تكون ثابتة تجاه التحولات المتعددة بين النطاقات، مع الحفاظ على قدرتها التمييزية بالنسبة للمهمة التعليمية. من أجل ذلك، نقترح شبكة تكييف نطاقات متعددة المصادر (MDAN)، التي تقارب مشكلة التكييف النطاقي من خلال تحسين حدود التعميم المُعدّلة حسب المهمة. لبيان فعالية MDAN، أجرينا تجارب واسعة تُظهر أداءً متفوّقًا في مشكلات التصنيف والانحدار: تحليل المشاعر، تصنيف الأرقام، وحساب عدد المركبات.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| domain-adaptation-on-gta5-synscapes-to | MDAN | mIoU: 55.2 |
| domain-adaptation-on-gtav-synscapes-to | MDAN | mIoU: 55.2 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.