انطباق دامنه از طریق تحلیل جداسازی خطی و ساختار هندسی محلی برای داده های چند شاخه

در اکثر الگوریتم های یادگیری ماشین، توزیع احتمالی داده های آموزشی و تست (دامنه های منبع و هدف) یکسان فرض شده است. این درحالی است که در مسایل دنیای واقعی، اغلب این فرض برقرار نبوده و موجب کاهش بازدهی مدل میشود. یادگیری انتقالی و انطباق دامنه، با بکارگیری مجموعه داده های موجود دو راه حل برجسته برای مقابله با این چالش هستند، و حتی با وجود اختلاف توزیع قابل ملاحظه بین دامنه ها میتوانند دانش را از دامنه های مرتبط به دامنه هدف انتقال دهند. تطبیق دامنه به طور صریح با استفاده از معیار فاصله ازپیش تعیین شده تفاوت در توزیع حاشیه ای، توزیع شرطی یا هر دو توزیع را کاهش میدهد. الگوریتم پیشنهادی تحت عنوان DLSD بااستفاده از مفهوم همسایگی و ساختار هندسی و محلی داده ها فاصله نمونه های متعلق به یک کلاس را از یکدیگر کم میکند و فاصله نمونه های متعلق به کلاسهای مختلف را افزایش میدهد که این باعث افزایش دقت طبقه بندی داده های چندشاخه میشود. آزمایش های گسترده ما نشان می دهد که DLSD به طور قابل توجهی بهتر از الگوریتمهای یادگیری ماشین پایه و دیگر روش های یادگیری انتقالی در 3 مجموعه داده بصری تحت سناریوهای مختلف عمل میکند.

کلیدواژه ها:

یادگیری ماشین ، انطباق دامنه ، واگرایی برگمن ، کاهش اختلاف توزیع حاشیه ای و شرطی ، کاهش ابعاد ، ساختار محلی