Transformeur à adaptation de domaine
Un Transformeur à adaptation de domaine (DAT) est un modèle basé sur le Transformeur — tel que BERT ou ViT — étendu avec un objectif explicite d'alignement de domaine afin que les représentations apprises se transfèrent bien d'un domaine source étiqueté vers un domaine cible différent, souvent non étiqueté. L'approche combine la puissante capacité de représentation des Transformeurs avec des techniques d'adaptation de domaine telles que l'entraînement contradictoire ou l'alignement contrastif pour minimiser le décalage de domaine.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Domain-Adaptive Transformer (DAT). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage par transfertApprentissage automatique↔ compare
- Vision TransformerApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →