تطبیق دامنه

تطبیق دامنه ( به انگلیسی: Domain Adaptation ) [ ۱] زمینه ای در یادگیری ماشینی است که به یادگیری انتقالی مربوط است. این سناریو زمانی رخ می دهد که ما بخواهیم از یک توزیع داده منبع یک مدل که روی داده هدف متفاوت ( اما مرتبط ) عملکرد خوبی داشته باشد یاد بگیریم. به عنوان مثال، یکی از وظایف مشکل رایج فیلتر هرزنامه، انطباق یک مدل از یک کاربر ( توزیع منبع ) به کاربر جدیدی است که به طور چشم گیری ایمیل های متفاوتی را دریافت می کند ( توزیع هدف ) . همچنین نشان داده شده است که تطبیق دامنه برای یادگیری منابع نامرتبط سودمند است. توجه داشته باشید که وقتی بیش از یک توزیع منبع در دسترس باشد، به این مشکل تطبیق دامنه چند منبعی گفته می شود. [ ۲]
تطبیق دامنه توانایی اعمال یک الگوریتم تعلیم دیده در یک یا چند «دامنه منبع» به یک «دامنه هدف» متفاوت ( اما مرتبط ) است. تطبیق دامنه زیرمجموعه ای از یادگیری انتقالی می باشد. در تطبیق دامنه، دامنه منبع و هدف همگی فضای ویژگی مشابهی دارند ( اما توزیع های متفاوت ) . در مقابل، یادگیری انتقالی شامل مواردی است که فضای ویژگی دامنه هدف با فضا یا فضاهای ویژگی منبع متفاوت است. [ ۳] در واقع تطبیق دامنه حالتی از انتقال یادگیری را پوشش می دهد که در آن مدل قرار است یک وظیفه یکسان را که روی دامنه منبع یاد گرفته به دامنه هدف انتقال دهد.
تغییر دامنه، [ ۴] یا تغییر توزیعی، [ ۵] تغییری در تقسیم داده بین مجموعه داده آموزشی الگوریتم و مجموعه داده ای می باشد که هنگام استفاده از آن برای پیش بینی روی داده های جدید با آن رو به رو می شود. این تغییرات دامنه در کاربردهای عملی و صنعتی هوش مصنوعی رایج و معمول است. الگوریتم های متداول یادگیری ماشینی اغلب با تغییرات دامنه سازگار نیستند. جامعه مدرن یادگیری ماشینی استراتژی های مختلفی برای تلاش برای دستیابی به سازگاری بهتر دامنه دارد. [ ۴]
برای انتقال پیشین، احتمالات پیشین کلاس ها متفاوت است، اما توزیع های شرطی معادل هستند، p S ( x | y ) = p T ( x | y ) . این می تواند برای مثال در تنظیمات تشخیص عیب رخ دهد، جایی که یک خط مشی تعمیر و نگهداری جدید ممکن است باعث خطای کمتری شود، یا در تشخیص نشت نفت قبل از وقوع یک حادثه رخ دهد.
این انتقال اغلب زمانی رخ می دهد که نوعی سوگیری انتخاب نمونه وجود داشته باشد. سوگیری انتخاب به عنوان احتمال تغییر یافته نمونه گیری تعریف می شود. به عنوان مثال، فرض کنید از شهری دیدن می کنید که اکثر مردم در مرکز آن زندگی می کنند و تراکم سکونت به عنوان تابعی از فاصله از مرکز کاهش می یابد. برای شما جالب است که آیا مردم فکر می کنند که شهر پرجمعیت است یا خیر. اگر در میدان اصلی نمونه برداری کنید، بیشتر با افرادی روبرو می شوید که در مرکز زندگی می کنند و احتمالاً پاسخ های "بله" زیادی دریافت خواهید کرد. ساکنانی که دورتر زندگی می کنند، که می گویند «نه»، در داده ها کمتر نشان داده شده اند. یکی دیگر از دلایل تغییر متغیرهای کمکی، داده های از دست رفته است. در عمل، داده ها ممکن است به دلیل از کار افتادن دستگاه های اندازه گیری یا به دلیل انصراف موضوع از بین بروند.