Глоссарий ИИ
Полный словарь искусственного интеллекта
Domain Shift
Changement dans la distribution de données entre le domaine d'entraînement (source) et le domaine de test (cible), nécessitant des techniques d'adaptation spécifiques.
Covariate Shift
Type spécifique de décalage de domaine où la distribution des caractéristiques d'entrée change entre les domaines source et cible, mais la distribution conditionnelle P(y|x) reste inchangée.
Domain Discrepancy
Mesure quantitative de la différence entre les distributions de données du domaine source et du domaine cible, souvent utilisée pour évaluer la difficulté de l'adaptation.
Feature Alignment
Processus d'alignement des représentations de caractéristiques entre domaines source et cible pour réduire les différences distributionnelles et améliorer le transfert de connaissances.
Adversarial Domain Adaptation
Approche utilisant des réseaux antagonistes pour apprendre des représentations invariantes au domaine en minimisant la capacité d'un discriminateur à distinguer les domaines source et cible.
Maximum Mean Discrepancy
Métrique statistique mesurant la distance entre les distributions de deux domaines en comparant les moyennes dans un espace de caractéristiques à noyau RKHS.
Domain Invariant Features
Représentations caractéristiques qui restent stables et discriminantes à travers différents domaines, permettant une généralisation efficace du modèle.
Unsupervised Domain Adaptation
Adaptation de domaine où aucune étiquette n'est disponible dans le domaine cible, nécessitant des méthodes auto-supervisées ou basées sur la structure des données.
Supervised Domain Adaptation
Адаптация домена с использованием ограниченного набора меток в целевом домене для направления процесса выравнивания и улучшения производительности модели.
Domain Generalization
Расширение адаптации домена, направленное на создание моделей, которые хорошо работают на доменах, невиданных во время обучения, без доступа к целевым данным.
Multi-source Domain Adaptation
Адаптация с использованием нескольких исходных доменов для улучшения робастности и способности к обобщению на один целевой домен.
Domain Confusion Loss
Функция потерь, разработанная для максимизации неопределенности классификатора домена, что способствует обучению признакам, инвариантным к домену.
Distribution Matching
Техника, направленная на минимизацию расхождения между распределениями исходных и целевых данных путем статистического выравнивания или преобразования признаков.
Target Domain Sampling
Стратегия выбора репрезентативных выборок из целевого домена для оптимизации эффективности адаптации и снижения вычислительных затрат.
Domain-aware Training
Парадигма обучения, которая явно интегрирует информацию о домене в процесс обучения для повышения адаптивности модели.
Progressive Domain Adaptation
Метод последовательной адаптации, при котором модель постепенно настраивается через промежуточные этапы доменов для облегчения перехода.
Специфическая для домена нормализация партий
Техника нормализации, использующая отдельные статистики для каждого домена, позволяющая модели адаптироваться к распределительным вариациям.