Transformer Adaptado ao Domínio
Um Transformer Adaptado ao Domínio (DAT) é um modelo baseado em Transformer — como BERT ou ViT — estendido com um objetivo explícito de alinhamento de domínio, de modo que as representações aprendidas se transfiram bem de um domínio fonte rotulado para um domínio alvo diferente, frequentemente não rotulado. A abordagem combina a poderosa capacidade de representação dos Transformers com técnicas de adaptação de domínio, como treinamento adversarial ou alinhamento contrastivo, para minimizar o desvio de domínio.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Domain-Adaptive Transformer (DAT). ScholarGate. https://scholargate.app/pt/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.
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
- Vision TransformerAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →