کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4942793 1437420 2017 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Joint predictive model and representation learning for visual domain adaptation
ترجمه فارسی عنوان
مدل پیش بینی مشترک و یادگیری نمایندگی برای انطباق دامنه بصری
کلمات کلیدی
سازگاری دامنه بدون نظارت، عملکرد پیش بینی شده، فضای اشتراکی، یادگیری نمایندگی، طبقه بندی عکس،
ترجمه چکیده
الگوریتم های یادگیری سنتی نمی توانند در سناریو هایی که اطلاعات آموزش (داده های دامنه منبع) مورد استفاده برای یادگیری مدل توزیع های مختلف با داده های آزمون (داده های دامنه هدف) را انجام می دهد، خوب انجام شود. سازگاری دامنه ای که قصد دارد این مشکل را جبران کند یک قابلیت مهم برای یک عامل هوشمند است. این مقاله یک روش انطباق دامنه ای است که یادگیری برای تطبیق دادن توزیع داده ها از دامنه منبع به دامنه هدف است که در آن هیچ اطلاعات نشانه ای از دامنه هدف موجود نیست (و فقط داده های بدون برچسب برای دامنه هدف در دسترس هستند) ارائه می شود. روش ما به طور مشترک یک فضای نمایندگی کم و یک طبقه بندی سازگار را می آموزد. در واقع ما سعی می کنیم یک فضای نمایندگی و یک طبقه بندی سازگار در این فضای نمایندگی پیدا کنیم تا شکاف توزیع بین (حاشیه و توزیع مشروط) دو حوزه به حداقل برسد و خطر طبقه بندی سازگار نیز به حداقل برسد. برای ارزیابی روش پیشنهادی، ما چندین آزمایش بر روی مجموعه داده های طبقه بندی تصویر انجام می دهیم. نتایج تجربی برتری روش ما در روش های سازگاری دامنه های موجود را بررسی می کنند و روش پیشنهادی از روش های دیگر با حاشیه های بزرگ در برخی از مشکلات سازگاری دامنه بهتر است. این نتایج اثربخشی یادگیری فضای نمایندگی و طبقه بندی سازگار را به طور همزمان نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
مدل پیش بینی مشترک و یادگیری نمایندگی برای انطباق دامنه بصری
چکیده انگلیسی
Traditional learning algorithms cannot perform well in scenarios where training data (source domain data) that are used to learn the model have a different distribution with test data (target domain data). The domain adaptation that intends to compensate this problem is an important capability for an intelligent agent. This paper presents a domain adaptation method which learns to adapt the data distribution of the source domain to that of the target domain where no labeled data of the target domain is available (and just unlabeled data are available for the target domain). Our method jointly learns a low dimensional representation space and an adaptive classifier. In fact, we try to find a representation space and an adaptive classifier on this representation space such that the distribution gap between (the marginal and the conditional distribution of) the two domains is minimized and the risk of the adaptive classifier is also minimized. To evaluate the proposed method, we conduct several experiments on image classification datasets. Experimental results verify the superiority of our method to the existing domain adaptation methods and the proposed method outperforms the other methods with a large margin in some of the domain adaptation problems. These results demonstrate the effectiveness of learning the representation space and the adaptive classifier simultaneously.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 58, February 2017, Pages 157-170
نویسندگان
, ,