الحفاظ على الاتساق الداخلي مع عينات موثوقة بشكل تكيّفي لتكييف المجال بدون مصدر

يهدف تكييف المجال غير المراقب (UDA) إلى التخفيف من انتقال المجال من خلال نقل المعرفة المكتسبة من مجموعة بيانات مصدر موسومة إلى مجال هدف غير موسوم. على الرغم من أن UDA شهد تقدمًا واعدًا مؤخرًا، إلا أنه يتطلب الوصول إلى بيانات من كلا المجالين، مما يجعله مشكلة في السيناريوهات الخالية من بيانات المصدر. في هذه المقالة، نستكشف مهمة عملية لتكييف المجال بدون مصدر (SFDA) التي تخفف من قيود UDA المدروسة على نطاق واسع في اكتساب بيانات المصدر والهدف في وقت واحد. بالإضافة إلى ذلك، ندرس أيضًا مشكلة تكييف المجال غير المتوازن (ISFDA)، التي تتناول عدم التوازن داخل الفئة داخل المجال والتحول في التصنيف بين المجالات في SFDA. نلاحظ مشكلتين رئيسيتين في SFDA هما: 1) تتشكل بيانات الهدف في مجموعات في مساحة التمثيل بغض النظر عما إذا كانت نقاط بيانات الهدف متوافقة مع المصنف المصدر و2) تكون العينات المستهدفة ذات الثقة العالية في التصنيف أكثر موثوقية ولديها تباين أقل في ثقتها بالتصنيف خلال التكيف. بدافع من هذه الملاحظات، نقترح طريقة موحدة، تسمى الحفاظ على الاتساق الداخلي مع عينات موثوقة بشكل تكيّفي (ICPR)، للتعامل مع SFDA وISFDA بشكل مشترك. على وجه التحديد، تشجع ICPR أولاً الاتساق الداخلي في تنبؤات الجيران للعناصر غير الموسومة مع تعزيز ضعيف (تحويلات قياسية)، بغض النظر عن موثوقيتها. ثم تولد ICPR وجهات معززة بقوة خصيصًا للعناصر الموثوقة المختارة بشكل تكيّفي وتدرب على إصلاح الاتساق الداخلي بين وجهات التعزيز الضعيفة والقوية لنفس الصورة فيما يتعلق بتنبؤات الجيران وتنبؤاتها الخاصة. بالإضافة إلى ذلك، نقترح استخدام مصنف نمطي لتجنب الارتباك في التصنيف الناتج عن عدم التوازن الشديد داخل الفئة داخل المجال والتحول في التصنيف بين المجالات. نظهر فعالية وقابلية تطبيق ICPR بشكل عام على ستة مقاييس لكل من مهام SFDA وISFDA. الشيفرة القابلة للتكرار لطريقتنا المقترحة، ICPR، متاحة على https://github.com/CFM-MSG/CodeICPR.