طراحي مدلهاي مبتني بر رويكرد احتمالي در يادگيري انتقالي

دكتري

يادگيري انتقالي به منظور انتقال دانش از دامنه‌ي كمكي به دامنه‌اي متفاوت براي انجام يك وظيفه‌ي مرتبط مورد استفاده قرار مي‌گيرد. در اين پايان‌نامه مسئله‌ي انطباق دامنه به عنوان يكي از انواع اصلي در يادگيري انتقالي مورد بررسي قرار مي‌گيرد و به اين منظور توزيع احتمال شرطي مبتني بر كلاس‌ها براي كاهش اختلاف بين دامنه‌اي مبناي توسعه‌ي رويكرد احتمالي در مساله‌ي دسته‌بندي تصاوير در نظر مي‌گيرد. بدين منظور سه رويكرد ارائه مي‌گردد كه شامل هر دو دسته روش‌هاي غير عميق و عميق در انطباق دامنه مي‌باشند. در روش پيشنهادي اول، تخمين توزيع احتمال شرطي مبتني بر كلاس‌ و بر اساس يك مسئله‌ي بهينه‌سازي در نظر گرفته مي‌شود. در روش پيشنهادي دوم توزيع صريح از داده‌ها با با اعمال شكل توزيع يكسان براي دامنه‌ها‌ي مبدا و مقصد به جاي تخمين توزيع داده‌ها در نظر گرفته مي‌شود. در روش پيشنهادي سوم ماتريس احتمالي به منظور استخراج بردارهاي ويژگي‌ غني شده از داده‌هاي دامنه‌ي مقصد بر اساس شباهت احتمالي مبتني بر فاصله‌ي بين نمونه‌هاي دامنه‌هاي مبدا و مقصد علاوه بر در نظر گرفتن شكل توزيع يكسان براي دو دامنه‌ي مذكور معرفي مي‌گردد. توزيع احتمال شرطي مبتني بر كلاس اطلاعات تفكيك‌پذيرتر از داده‌هاي دامنه‌ها‌ي مبدا و مقصد را در مقايسه با توزيع احتمال حاشيه‌اي در نظر مي‌گيرد. علاوه بر آن با در نظر گرفتن شكل توزيع يكسان براي بردارهاي ويژگي دو دامنه‌ و استخراج بردارهاي ويژگي‌ غني شده از دامنه‌ي مقصد، كاهش اختلاف بين دامنه‌اي به صورت دقيق‌تر و كاراتر انجام مي‌شود. مجموعه‌داده‌هاي مورد استفاده به منظور ارزيابي رويكردهاي پيشنهادي Office-Caltech، Office-31، Office-Home، Image-CLEF و VisDA-2017 هستند. نتايج به دست آمده براي اين مجموعه‌داده‌هاي استاندارد در مسئله‌ي انطباق دامنه‌ي بدون نظارت، درستي فرضيات مورد استفاده در روش‌هاي پيشنهادي مسئله را اثبات كرده و نشان مي‌دهد صحت دسته‌بندي براي پنج مجموعه‌‌داده مذكور به ترتيب برابر 93.51، 91.10 ، 73.53 ، 91.25 و 83.15 مي‌باشد كه منجر به صحت بالاتر نسبت به روش‌هاي به روز در اين حوزه شده است.

229577

دانشگاه اصفهان

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

حسين كارشناس نجف آبادي , پيمان اديبي