Transformer Adaptif Domain
Transformer Adaptif Domain (DAT) ialah model berasaskan Transformer — seperti BERT atau ViT — yang diperluas dengan objektif penjajaran domain eksplisit supaya perwakilan yang dipelajari dapat dipindahkan dengan baik daripada domain sumber berlabel kepada domain sasaran yang berbeza, selalunya tidak berlabel. Pendekatan ini menggabungkan kapasiti perwakilan Transformer yang berkuasa dengan teknik penyesuaian domain seperti latihan adversarial atau penjajaran kontrastif untuk meminimumkan anjakan domain.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Domain-Adaptive Transformer (DAT). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran PindahanPembelajaran Mesin↔ compare
- Transformer VisiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →