Domain-Adaptive Transformer
Alueellisesti mukautuva Transformer (DAT) on Transformer-pohjainen malli – kuten BERT tai ViT – laajennettuna eksplisiittisellä alueiden kohdistustavoitteella, jotta opitut representaatiot siirtyisivät hyvin merkitystä lähteestä (labeled source domain) eriävään, usein merkitsemättömään, kohdealueeseen (target domain). Lähestymistapa yhdistää Transformerien tehokkaan representaatiokapasiteetin alueellisen mukautumisen tekniikoihin, kuten vastakkainasetteluun (adversarial training) tai kontrastiiviseen kohdistukseen (contrastive alignment), minimoidakseen alueellisen siirtymän (domain shift).
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Domain-Adaptive Transformer (DAT). ScholarGate. https://scholargate.app/fi/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.
- Siirto-oppiminenKoneoppiminen↔ compare
- Vision TransformerSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →