تطبیق دامنه معنایی عمیق با وزن دهی پویای دامنه

در اکثر روش‌های طبقه بندی به کمک یادگیری ماشین، دقت بازشناسی به حد زیادی به داشتن داده‌های برچسب‌دار وابسته است، اما در بیشتر موارد برچسب داده‌ها دردسترس نیست. در چنین مواردی از روش‌های یادگیری انتقالی استفاده می‌شود. یک طبقه بند در صورتی کار‌آمد است که داده‌های آموزشی (دامنه‌ی منبع) و داده های آزمون (دامنه‌ی مقصد) دارای توزیع یکسانی باشند. اگر توزیع داده‌ها در دامنه‌ها متفاوت باشد، تطبیق دامنه ضروری است. در مدل پیشنهادی با انتقال داده‌ها به یک زیرفضای جدید (فضای ویژگی) که در آن داده‌های منبع و مقصد توزیع مشابهی دارند، کارایی طبقه‌بند آموزش دیده با داده‌های منبع برای استفاده در داده‌های دامنه‌ی مقصد افزایش داده شده است. همچنین مدل پیشنهادی قدرت تعمیم پذیری طبقه بند را هم افزایش می دهد. مدل پیشنهادی علاوه بر اینکه فاصله بین توزیع حاشیه ای دو دامنه ی منبع و مقصد را کاهش می دهد، فاصله بین توزیع های شرطی کلاسهای دو دامنه را نیز کاهش می دهد. اما برخلاف اکثر کارهای پیشین، برای هر یک از این دو هدف اهمیت متفاوتی را در نظر می گیرد که میزان اهمیت هر کدام از این دو با توجه به داده ها محاسبه می شود. در مدل پیشنهادی، از شبکه‌های تقابلی مولد عمیق استفاده شده است. نمایش داده‌ها در فضای ویژگی بهبود یافته و طبقه‌بند نسبت به جابه‌جایی بین دامنه‌ی منبع و مقصد مقاوم می‌شود. در زیر فضای جدید، نمونه‌های دامنه‌های منبع و مقصد از لحاظ معنایی نگاشت شده‌اند به این معنی که داده‌های کلاس‌های متناظر از دامنه‌های منبع و مقصد در فضای ویژگی مشترک، نزدیک به هم نگاشت شده‌اند. در مراحل مختلف، برای جبران عدم وجود برچسب در دامنه‌ی مقصد، از شبه‌برچسب‌هایی که توسط طبقه‌بند تخمین زده شده‌اند استفاده شده است. آزمایش ها و مقایسه نتایج، کارایی روش پیشنهادی را نشان می دهد.