Sample-to-sample correspondence for unsupervised domain adaptation

فرضیه ای که نمونه های آموزشی و آزمایشی از همان توزیع تولید می شود، همیشه برای برنامه های کاربردی برای یادگیری ماشین در دنیای واقعی نیست. روش مقابله با این اختلاف بین حوزه آموزش (منبع) و تست (هدف) به عنوان سازگاری دامنه شناخته شده است. ما یک نسخه بی نظیر از انطباق دامنه را پیشنهاد می کنیم که حضور تنها اطلاعات بدون برچسب در حوزه هدف را در نظر می گیرد. رویکرد ما بر روی پیدا کردن همبستگی بین نمونه های هر دامنه است. مکاتبات با پردازش نمونه های منبع و هدف به عنوان نمودار و با استفاده از معیار محدب برای مطابقت با آنها به دست می آید. معیارهای مورد استفاده شباهت های مرتبه اول و مرتبه دوم بین نمودار ها و همچنین تنظیم مقدماتی بر اساس کلاس است. ما همچنین یک رویه محاسباتی کارآمد برای بهینه سازی محدب ایجاد کرده ایم، بنابراین روش پیشنهادی به طور گسترده ای مورد استفاده قرار می گیرد. برای بررسی اثربخشی روش پیشنهادی، شبیه سازی کامپیوتری بر روی مجموعه داده های طبقه بندی مصنوعی، طبقه بندی تصویر و احساسات انجام شد. نتایج تایید شده است که روش تطبیق نمونه اولیه به نمونه انتخاب شده از روش های سنتی لحظه ای استفاده می کند و با توجه به روش های فعلی محلی سازگاری محلی رقابت می کند.