کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865741 678082 2015 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Unsupervised domain adaptation via representation learning and adaptive classifier learning
ترجمه فارسی عنوان
انطباق دامنه بدون نظارت از طریق آموزش نمایندگی و یادگیری طبقه بندی سازگار
کلمات کلیدی
انطباق دامنه، دامنه منبع، دامنه هدف، یادگیری نمایندگی، طبقه بندی عکس،
ترجمه چکیده
روش های یادگیری موجود معمولا فرض می کنند که داده های آموزشی و داده های تست همان توزیع را دنبال می کنند، در حالی که این همیشه درست نیست. بنابراین، در بسیاری از موارد، عملکرد این روش ها بر روی داده های آزمون شدیدا کاهش خواهد یافت. در این مقاله، مسئله عدم انطباق دامنه بدون نظارت را بررسی می کنیم، جایی که هیچ اطلاعات نشانه ای در حوزه هدف موجود نیست. روش پیشنهادی ابتدا نمایه جدیدی را برای منبع و دامنه هدف پیدا می کند و سپس یک تابع پیش بینی برای طبقه بندی را با بهینه سازی یک تابع هدف که به طور همزمان تلاش می کند تا تابع کاهش در دامنه منبع را به حداقل برساند، در حالی که حداکثر سازگاری چندجملهای ( که بر اساس ماهیت داده ها است) با عملکرد پیش بینی شده است. ما روش پیشنهادی را بر روی چهار نوع مسائل مربوط به طبقهبندی تصاویر متقابل دامنه اجرا میکنیم و نشان میدهیم که روش پیشنهادی به طور قابل توجهی از چندین روش اقتباس از حوزهی پیشرفته بهره میبرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
انطباق دامنه بدون نظارت از طریق آموزش نمایندگی و یادگیری طبقه بندی سازگار
چکیده انگلیسی
The existing learning methods usually assume that training data and test data follow the same distribution, while this is not always true. Thus, in many cases the performance of these methods on the test data will be severely degraded. In this paper, we study the problem of unsupervised domain adaptation, where no labeled data in the target domain is available. The proposed method first finds a new representation for both the source and the target domain and then learns a prediction function for the classifier by optimizing an objective function which simultaneously tries to minimize the loss function on the source domain while also maximizes the consistency of manifold (which is based on the nature of data) with the prediction function. We run the proposed method on four types of cross-domain image classification problems and show that the proposed method significantly outperforms several state-of-the-art domain adaptation methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 165, 1 October 2015, Pages 300-311
نویسندگان
, ,