تطبیق دامنه‌های بصری با استفاده از تطبیق خصوصیات و مدل

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.

Visual Domains Adaptation via Feature and Model Matching

In most machine learning algorithms, the distribution of training and test sets (source and target domains, respectively) are assumed the same. However, this condition is violated in many real world problems and the performance of model degrades as well. The aim of domain adaptation solution is to build an adaptive model on source data to have acceptable performance on target domain. In this paper, we propose an unsupervised twophases approach which benefits from representation and model adaptation methods. In the first phase, source and target data are projected onto a common subspace on which the marginal and conditional distribution difference is minimized. Moreover, domain invariant clustering is exploited to discriminate between various classes of source data. In the second phase, an adaptation classifier is presented to minimize prediction error rate and maximize manifold adaptability across source and target domains. The proposed approach is evaluated on four visual benchmark datasets according to 36 designed experiments. The obtained results highlight the considerable performance of the proposed approach against other stateoftheart machine learning and transfer learning methods.