Transformador de Adaptación de Dominio
Un Transformador de Adaptación de Dominio (DAT) es un modelo basado en Transformer —como BERT o ViT— extendido con un objetivo explícito de alineación de dominio para que las representaciones aprendidas se transfieran bien de un dominio fuente etiquetado a un dominio objetivo diferente, a menudo sin etiquetar. El enfoque combina la potente capacidad de representación de los Transformers con técnicas de adaptación de dominio como el entrenamiento adversario o la alineación contrastiva para minimizar el cambio de dominio.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Ni, J., Hernandez Abrego, G., Constant, N., Ma, J., Hall, K., Cer, D., & Yang, Y. (2021). Sentence-T5: Scalable Sentence Encoders from Pre-trained Text-to-Text Models. Findings of ACL 2022. arXiv:2108.08877. link ↗
- Guo, J., Shah, D., & Barzilay, R. (2022). Multi-Source Domain Adaptation with Mixture of Experts. In Proceedings of EMNLP 2018. arXiv:1809.02060. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Domain-Adaptive Transformer (DAT). ScholarGate. https://scholargate.app/es/deep-learning/domain-adaptive-transformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Aprendizaje por transferenciaAprendizaje automático↔ compare
- Vision TransformerAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →