تطبيق دامنه‌هاي بصري با استفاده از تطبيق خصوصيات و مدل

در اكثر الگوريتم‌هاي يادگيري ماشين، توزيع احتمالي داده‌هاي آموزشي و تست (دامنه‌هاي منبع و هدف) يكسان فرض شده است. اين درحالي است كه در مسائل دنياي واقعي، اغلب اين فرض برقرار نبوده و موجب كاهش بازدهي مدل مي‌شود. هدف روش‌هاي تطبيق دامنه، ايجاد يك مدل تطبيق‌پذير بر روي داده‌هاي آموزشي است كه داراي عملكرد قابل‌قبولي بر روي داده‌هاي تست باشد. در اين مقاله، يك روش تطبيقي بدون نظارت دومرحله‌اي با بهره‌گيري از روش‌هاي تطبيق خصوصيات و تطبيق مدل پيشنهاد شده است. در مرحله اول، داده‌هاي دامنه‌هاي منبع و هدف به يك فضاي مشترك كه داراي حداقل اختلاف توزيع حاشيه‌اي و شرطي مي‌باشد، نگاشت مي‌شوند و سپس از خوشه‌بندي مستقل از دامنه براي ايجاد تفكيك‌پذيري كلاس‌هاي مختلف در دامنه منبع بهره گرفته مي‌شود. در مرحله دوم، يك طبقه‌بند انطباقي با حداقل كردن خطاي پيش‌بيني و حداكثر نمودن سازگاري هندسي بين دامنه‌هاي منبع و هدف ايجاد مي‌شود. روش پيشنهادي، بر روي چهار نوع پايگاه‌داده بصري شناخته‌شده با 36 آزمايش طراحي‌شده، مورد ارزيابي قرارگرفته است. نتايج به‌دست‌آمده، نشان‌دهنده بهبود قابل‌ملاحظه از عملكرد روش پيشنهادي در مقايسه با جديدترين روش‌هاي حوزه يادگيري ماشين و يادگيري انتقالي است.