Une approche d’adaptation de domaine non supervisée basée sur un auto-encodeur intégré

L’adaptation au domaine non supervisé a fait l’objet de beaucoup d’consideration et de recherches au cours des dernières décennies. Parmi toutes les approches approfondies, l’approche basée sur l’auto-encodeur a obtenu de bonnes performances pour une vitesse de convergence rapide et des exigences sans étiquette. Les méthodes existantes pour les auto-encodeurs connectent uniquement les fonctionnalités générées par différents auto-encodeurs, ce qui pose des défis pour l’apprentissage de représentations discriminantes qui ne parviennent pas à trouver de véritables fonctionnalités dans le domaine.

Pour résoudre ces problèmes, une équipe de recherche dirigée par Zhou Yi a publié ses recherches dans Frontières de l’informatique.

L’équipe a proposé une nouvelle méthode d’apprentissage des représentations basée sur un auto-encodeur intégré pour une adaptation de domaine non supervisée. Un auto-encodeur clairsemé est introduit pour combiner des fonctionnalités inter-domaines et intra-domaines afin de réduire les écarts dans différents domaines et d’améliorer les performances d’adaptation de domaine non supervisées. Des expériences approfondies sur trois ensembles de données de référence confirment clairement l’efficacité de los angeles méthode proposée par rapport à plusieurs méthodes de référence de pointe.

Dans l’article, les chercheurs proposent d’obtenir des fonctionnalités intra et intra-domaine en utilisant deux auto-encodeurs différents. Des représentations de niveau supérieur et plus abstraites sont extraites pour capturer différentes propriétés des données d’entrée d’origine dans les domaines supply et cible. Une couche de blanchiment est introduite pour les caractéristiques traitées dans l’apprentissage des représentations inter-domaines. Ensuite, un auto-encodeur clairsemé est introduit pour combiner les fonctionnalités intra et intra-domaine afin de réduire les écarts dans différents domaines et d’améliorer les performances d’adaptation de domaine non supervisée.

Tout d’abord, un auto-encodeur marginalisé avec une variance moyenne maximale (mAEMMD) est introduit pour mapper les données d’entrée d’origine dans l’espace de fonctionnalités latentes afin de générer simultanément des représentations inter-domaines entre les domaines supply et cible.

Deuxièmement, un auto-encodeur convolutif (CAE) est utilisé pour obtenir des représentations de domaine interne et préserver l’emplacement relatif des caractéristiques, ce qui préserve les informations spatiales des données d’entrée dans les domaines supply et cible.

Troisièmement, une fois les caractéristiques de niveau supérieur obtenues par les deux auto-encodeurs différents, un auto-encodeur clairsemé est appliqué pour combiner ces représentations inter-domaines et intra-domaines, de sorte que les nouvelles représentations de caractéristiques soient utilisées pour réduire les écarts dans différents domaines.

Les travaux futurs devraient se concentrer sur l’apprentissage de los angeles représentation des données graphiques, où les family members sont représentées avec une matrice de contiguïté, et sur l’exploration des family members de données graphiques hétérogènes basées sur des réseaux d’encodeurs automatiques basés sur des opérations convolutives.

Fourni par Frontiers Magazines