فهرست نشریات علمی دسترسی آزاد ایران

در اکثر الگوریتم‌های یادگیری ماشین، توزیع احتمالی داده‌های آموزشی و تست (دامنه‌های منبع و هدف) یکسان فرض شده است. این درحالی است که در مسائل دنیای واقعی، اغلب این فرض برقرار نبوده و موجب کاهش بازدهی مدل می‌شود. هدف روش‌های تطبیق دامنه، ایجاد یک مدل تطبیق‌پذیر بر روی داده‌های آموزشی است که دارای عملکرد قابل‌قبولی بر روی داده‌های تست باشد. در این مقاله، یک روش تطبیقی بدون نظارت دومرحله‌ای با بهره‌گیری از روش‌های تطبیق خصوصیات و تطبیق مدل پیشنهاد شده است. در مرحله اول، داده‌های دامنه‌های منبع و هدف به یک فضای مشترک که دارای حداقل اختلاف توزیع حاشیه‌ای و شرطی می‌باشد، نگاشت می‌شوند و سپس از خوشه‌بندی مستقل از دامنه برای ایجاد تفکیک‌پذیری کلاس‌های مختلف در دامنه منبع بهره گرفته می‌شود. در مرحله دوم، یک طبقه‌بند انطباقی با حداقل کردن خطای پیش‌بینی و حداکثر نمودن سازگاری هندسی بین دامنه‌های منبع و هدف ایجاد می‌شود. روش پیشنهادی، بر روی چهار نوع پایگاه‌داده بصری شناخته‌شده با 36 آزمایش طراحی‌شده، مورد ارزیابی قرارگرفته است. نتایج به‌دست‌آمده، نشان‌دهنده بهبود قابل‌ملاحظه از عملکرد روش پیشنهادی در مقایسه با جدیدترین روش‌های حوزه یادگیری ماشین و یادگیری انتقالی است.