Machine learningDeep learning / NLP / CV

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.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

Sources

  1. 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
  2. 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.

Compare side by side

Référencée par

ScholarGateDomain-adaptive transformer (Domain-Adaptive Transformer (DAT)). Consulté le 2026-06-15 sur https://scholargate.app/fr/deep-learning/domain-adaptive-transformer · Jeu de données : https://doi.org/10.5281/zenodo.20539026