ترنسفورمر سازگار با دامنه
ترنسفورمر سازگار با دامنه (DAT) مدلی مبتنی بر ترنسفورمر است — مانند BERT یا ViT — که با یک هدف صریح همترازی دامنه بسط داده شده است تا بازنماییهای آموختهشده بهخوبی از یک دامنه منبع برچسبدار به دامنهای متفاوت، که اغلب بدون برچسب است، منتقل شوند. این رویکرد، ظرفیت بازنمایی قدرتمند ترنسفورمرها را با تکنیکهای سازگاری دامنه مانند آموزش خصمانه یا همترازی تباینی ترکیب میکند تا شیفت دامنه را به حداقل برساند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Domain-Adaptive Transformer (DAT). ScholarGate. https://scholargate.app/fa/deep-learning/domain-adaptive-transformer
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- یادگیری انتقالییادگیری ماشین↔ مقایسه
- ترنسفورمر بینایییادگیری عمیق↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →