کاهش خطای پیش بینی مدل های طبقه بند از طریق تطبیق توزیع عمومی و هندسی دامنه های بصری

روش های تطبیق دامنه، با کاهش اختلاف بین دامنه ای، مدل هایی تطبیق پذیر بین نمونه های آموزشی و آزمون ایجاد می کنند. هدف این روش ها، یافتن یک طبقه بند بر اساس داده های آموزشی است به طوری که دارای بیشترین انطباق با نمونه های آزمون باشد. در این مقاله، یک روش دومرحله ای با هدف حداقل سازی خطای طبقه بندی و حداکثرسازی سازگاری بین دامنه ای پیشنهاد شده است. روش پیشنهادی، ابتدا با ایجاد یک نمایش مشترک به کاهش اختلاف توزیع بین نمونه های آموزشی و آزمون پرداخته و سپس، یک مدل یادگیری با حداقل خطای پیش بینی در نمایش جدید ایجاد می کند. روش پیشنهادی، بر روی پایگاه داده های بصری شناخته شده از طریق طراحی آزمایش های مختلف مورد ارزیابی قرارگرفته است. نتایج نشان می دهند روش پیشنهادی عملکرد بهتری در پیش بینی برچسب نمونه های جدید، نسبت به روش های جدید حوزه تطبیق دامنه دارد.