Felmérés a felügyelet nélküli mély domain-adaptációról

Washington Állami Egyetem Pullman, Pullman, WA, Washington

Új hivatkozási figyelmeztetés hozzáadva!

Ezt a riasztást sikeresen hozzáadtuk, és elküldjük a következő címre:

Értesítést kapunk, ha az Ön által kiválasztott rekordot idézik.

A riasztási beállítások kezeléséhez kattintson az alábbi gombra.

Új idézőjelzés!

Mentés a Binder-be

ACM tranzakciók az intelligens rendszerekről és technológiáról

Absztrakt

A mély tanulás a legkülönfélébb feladatokhoz a legkorszerűbb eredményeket hozta. Bár a felügyelt tanulás ilyen megközelítései jól teljesítettek, feltételezik, hogy a képzési és tesztelési adatok ugyanabból a megoszlásból származnak, ami nem mindig így van. Ennek a kihívásnak a kiegészítéseként az egyetlen forrásból származó, felügyelet nélküli tartomány-adaptáció képes kezelni azokat a helyzeteket, amikor a hálózatot betanítják egy forrás-tartomány címkézett adataira és egy kapcsolódó, de más céltartomány címkézetlen adataira, azzal a céllal, hogy a tesztidőszakban jól teljesítsenek. cél domain. Számos egyforrású és tipikusan homogén, felügyelet nélküli mélyterület-adaptációs megközelítést fejlesztettek ki, amelyek egyesítik a mély tanulásból származó erőteljes, hierarchikus reprezentációkat a tartományi adaptációval, hogy csökkentsék a potenciálisan költséges célcímkékre való támaszkodást. Ez a felmérés összehasonlítja ezeket a megközelítéseket azáltal, hogy megvizsgálja az alternatív módszereket, az egyedi és közös elemeket, eredményeket és elméleti meglátásokat. Ezt követjük az alkalmazási területek áttekintésével és a nyitott kutatási irányokkal.