التعميم الحدودي مع التعلم المضاد للسمات

في هذه الورقة، نتناول مشكلة تعميم المجال: كيفية تعلّم تمثيل ميزة عام لـ "مجال مستقبلي غير مرئى" من خلال الاستفادة من بيانات متعددة من مجالات مصدر مُشاهدَة. نقدم إطارًا جديدًا مبنيًا على المُشَكِّلات التلافيفية (adversarial autoencoders) لتعلُّم تمثيل ميزة خفي عام عبر المجالات، بهدف تعميم المجال. بشكل مفصّل، نوسع المُشَكِّلات التلافيفية من خلال تطبيق قياس الفرق المتوسط الأقصى (Maximum Mean Discrepancy - MMD) لمحاذاة التوزيعات بين مجالات مختلفة، ومحاذاة هذا التوزيع المُحاذي إلى توزيع أولي عشوائي عبر تعلّم الميزة التلافيفية. وبهذه الطريقة، يُفترض أن يكون التمثيل الميزة المُتعلّم عامًا بالنسبة للمجالات المصدرية المرئية بفضل تنظيم MMD، ويُتوقع أن يُظهر أداءً جيدًا في التعميم على المجال الهدف بفضل إدخال التوزيع الأولي. وقد اقترحنا خوارزمية لتدريب مكونات الإطار المقترح بشكل مشترك. وأظهرت تجارب واسعة على مهام مختلفة في الرؤية الحاسوبية أن الإطار المقترح يمكنه تعلّم ميزات معممة أفضل للمجال الهدف غير المرئى مقارنةً بالطرق الرائدة الحالية في تعميم المجال.