تطبيق دامنه بدون نظارت با واگرايي برگمن و طبقه‌بند انطباقي

در تشخيص الگو و طبقه‌بندي تصوير، فرض معمول بر اين است كه مجموعه آموزشي (دامنه منبع) و مجموعه تست (دامنه هدف) توزيع يكساني را به اشتراك مي‌گذارند كه در اغلب كاربردهاي دنياي واقعي نقض مي‌شود. در اين‌صورت ممكن است مدل‌هاي يادگيري سنتي بر روي مجموعه‌هاي آموزشي به درستي تعميم داده نشوند. براي مقابله با اين مشكل، يادگيري انتقالي و تطبيق دامنه، سعي مي‌كنند با بهره‌گيري از داده‌هاي آموزشي با توزيع مشابه با دامنه منبع، مدل را براي دامنه هدف تعميم دهند. در اين مقاله، ما يك راه حل جديد براي رويارويي با تطبيق دامنه بدون نظارت براي طبقه‌بندي پيشنهاد مي‌دهيم. در سناريو بدون نظارت كه در آن هيچ نمونه برچسب دار از دامنه هدف موجود نيست، مدل ما داده‌ها را به گونه‌اي تغيير مي‌دهد كه توزيع نمونه‌هاي دامنه منبع وهدف مشابه شوند. براي مقايسه دو توزيع، رويكرد ما ‌ از واگرايي برگمن استفاده مي‌كند. با اين وجود اين رويكرد به تنهايي براي تعميم مدل كافي نيست. در اينجا، ما يك مدل تطبيق‌پذير براي يادگيري نمايش بهتر جهت مقابله با عدم توازن توزيع در دامنه‌هاي مختلف ارائه مي‌دهيم. چارچوب مدل طبقهبندي با اضافه كردن يك طبقه‌بند سازگار براي طبقه‌بندي دامنه هدف تعميم مي‌يابد. بدين‌ترتيب، اين چارچوب تضمين كننده طبقه‌بندي دامنه هدف بوده و خطر ريسك تجربي در دامنه هدف را به حداقل مي‌رساند و سازگاري هندسي با ساختار داده‌هاي منبع را به حداكثر مي‌رساند. مطالعه تجربي ما بر روي مجموعه داده‌هاي معتبر مويد اين است كه رويكرد پيشنهادي ما مي تواند به طور مداوم دقت طبقهبندي را در مقايسه با الگوريتم‌هاي يادگيري ماشين پايه و روش‌هاي تطبيق‌دامنه بهبود دهد.