التكيف غير المراقب للنطاق باستخدام التوافق المعياري لأقصى تباين في الفئة المصنفة
{Raghuveer M. Rao Suya You Majid Rabbani Sohail A. Dianat Prasanna Reddy Pulakurthi}
الملخص
لقد حقق أسلوب الفرق الأقصى بين المصنفات نجاحًا كبيرًا في حل مهام التكيّف غير المراقب بين المجالات في تصنيف الصور في السنوات الأخيرة. يتكون هيكله الأساسي من مولّد ميزات ومصنّفان يهدفان إلى تكبير الفرق بين المصنفات مع تقليل الفرق بين مولّد الميزات للعينات المستهدفة. يُحسّن هذا الأسلوب أداء طرق التدريب العدواني الحالية من خلال استخدام مصنّفات مخصصة للمهمة، والتي تُزيل الغموض الناتج عن تصنيف العينات المستهدفة القريبة من حدود الفئات. في هذه الورقة، نقترح معمارية شبكة معدلة وهدفين تدريبيين لتعزيز الأداء أكثر لأسلوب الفرق الأقصى بين المصنفات. الهدف التدريبي الأول يقلل من الفرق على مستوى الميزات ويُجبر المولّد على إنتاج ميزات غير مُتغيرة حسب المجال. ويُعد هذا الهدف التدريبي مفيدًا بشكل خاص عندما تكون توزيعات المجال المصدر والمستهدف مختلفة جدًا. أما الهدف التدريبي الثاني، الذي يعمل على مستوى الحزم الصغيرة، فيهدف إلى إنشاء توزيع منتظم لتنبؤات الفئات المستهدفة من خلال تكبير إنتروبيا متوسط تنبؤات الفئات المستهدفة. ونُظهر من خلال تقييمات تجريبية واسعة أن المعمارية المقترحة وأهداف التدريب تُحسّن بشكل كبير أداء الخوارزمية الأصلية. علاوةً على ذلك، تتفوق هذه الطريقة على أحدث التقنيات في معظم مهام التكيّف غير المراقب بين المجالات.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| domain-adaptation-on-mnist-to-usps | FAMCD | Accuracy: 98.72 |
| domain-adaptation-on-svhn-to-mnist | FAMCD | Accuracy: 98.76 |
| domain-adaptation-on-usps-to-mnist | FAMCD | Accuracy: 98.75 |
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.