تحسين الاستدلال المتغير العالمي لتعزيز التكيف القوي في النطاق

أظهرت طرق التكيف في النطاق المعتمدة على التعلم العميق أداءً قويًا من خلال تعلم تمثيلات قابلة للنقل. ومع ذلك، فإن اعتمادها على تدريب دفعات صغيرة يحد من نمذجة التوزيع العالمي، مما يؤدي إلى محاذاة غير مستقرة وتعميم غير مثالي. نقترح تحسين الاستدلال المتغير العالمي لتعزيز التكيف في النطاق (GVI-DA)، وهو إطار يتعلم أولويات عالمية مستمرة مشروطة بالفئات عبر الاستدلال المتغير لتمكين المحاذاة عبر النطاقات المستندة إلى الهيكل. يقلل GVI-DA من الفجوات بين النطاقات من خلال إعادة بناء الميزات الكامنة، ويخفف من الانهيار اللاحق باستخدام التعلم القائم على الكتاب العالمي مع العينة العشوائية. كما أنه يحسن القوة من خلال التخلص من التسميات الزائفة ذات الثقة المنخفضة وتوليد عينات موثوقة من النطاق المستهدف. تظهر التجارب الواسعة على أربعة معايير وثمانية وثلاثين مهمة في التكيف داخل النطاق أداءً متسقًا في الحالة الفنية. نشتق أيضًا حد الأدنى من أدلة النموذج (ELBO) ونحلل آثار استمرارية الأولويات وحجم الكتاب وتحمل ضوضاء التسميات الزائفة. بالإضافة إلى ذلك، نقارن GVI-DA مع الأطر التوليدية المستندة إلى الانتشار من حيث مبادئ التحسين والكفاءة، مما يبرز كل من SOUNDNESS النظرية والمزايا العملية له.