El aprendizaje de transferencia de dominios tiene como objetivo aprender representaciones de datos comunes de un dominio de origen y un dominio de destino, de modo que los datos del dominio de origen puedan ayudar a la clasificación del dominio de destino. El aprendizaje de transferencia de representación convencional impone que las distribuciones de las representaciones de los dominios de origen y de destino sean similares, lo que depende en gran medida de la caracterización de las distribuciones de los dominios y de los criterios de coincidencia de las distribuciones. En este trabajo, proponemos un marco novedoso para el aprendizaje de la representación de transferencia de dominios. Nuestro motivo es hacer que las representaciones aprendidas de los puntos de datos sean independientes de los dominios a los que pertenecen. En otras palabras, a partir de una representación óptima entre dominios de un punto de datos, es difícil saber a qué dominio pertenece. De este modo, las representaciones aprendidas pueden generalizarse a diferentes dominios. Para medir la dependencia entre las representaciones y el dominio correspondiente al que pertenecen los puntos de datos, proponemos utilizar la información mutua entre las representaciones y los indicadores de pertenencia al dominio. Al minimizar dicha información mutua, aprendemos las representaciones que son independientes de los dominios. Construimos un modelo de red convolucional profunda por clases como modelo de representación y maximizamos el margen de cada punto de datos de la clase correspondiente, que se define sobre la vecindad intraclase e interclase. Para aprender los parámetros del modelo, construimos un problema de minimización unificado en el que se maximizan los márgenes y se minimiza la información mutua del dominio de representación. De este modo, aprendemos representaciones que no sólo discriminan sino que son independientes de los dominios. Se propone un algoritmo iterativo basado en el método de optimización de Adam para resolver la minimización y aprender los parámetros del modelo profundo por clases y las representaciones entre dominios simultáneamente. Amplios experimentos sobre conjuntos de datos de referencia muestran su eficacia y ventaja sobre los métodos de aprendizaje de transferencia de dominio existentes.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Efectos sobre las propiedades mecánicas del PET reciclado en los compuestos a base de cemento
Artículo:
Diseño de la interfaz de interacción hombre-máquina de la cabina basado en la ergonomía cognitiva y en GA-ACA
Artículo:
Apoyar el uso consciente del riesgo de las herramientas de traducción en línea en la prestación de servicios de salud mental entre las poblaciones de habla hispana
Artículo:
Fabricación de nanofibras de seda con métodos de electrospinning de agujas y rodillos
Artículo:
Métodos mejorados de detección de secuencias de entrenamiento ASM-TER y estimación de frecuencias Doppler finas desde un satélite
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Tesis:
Materiales y prácticas de construcción sostenible