فهرست نشریات علمی دسترسی آزاد ایران

تطبیق دامنه می‌تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته‌شده از داده‌های آموزشی افزایش یابد. علاوه‌بر این، استفاده از کدگذاری تنک، مدل یادگرفته‌شده را بسیار مختصر نموده و کنترل آن را ساده می‌نماید. با این حال، اختلاف توزیع بین دامنه‌های منبع و هدف بازدهی مدل را کاهش می‌دهد. در این مقاله، ما یک مدل تطبیق دامنه بدون‌نظارت پیشنهاد می‌دهیم تا خطای پیش‌بینی مدل‌های طبقه‌بندی تصاویر را کاهش دهیم. از وزن‌دهی مجدد نمونه‌ها برای مدیریت داده‌های اضافه و اطلاعات بلااستفاده داده‌های منبع در نمایش جدید استفاده می‌شود. همچنین، اختلاف توزیع شرطی بین دامنه‌های منبع و هدف با استفاده از روی هم‌گذاری زیرفضاها کاهش داده می‌شود. روش پیشنهادی ما یک طبقه‌بند مستقل از دامنه تنک در زیرفضای به‌دست‌آمده می‌باشد که ساختار داده‌های ورودی را حفظ می‌کند. آزمایشات گسترده نشان می‌دهد که روش پیشنهادی ما بر روی پایگاه‌داده‌های واقعی در مقایسه با روش‌های به روز در حوزه یادگیری ماشین و تطبیق دامنه، 49/4% بهبود در صحت طبقه‌بندی دارد.