HDFLStyler: Aprendizaje jerárquico de características invariantes al dominio para la generalización de dominios sin...

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• La generalización de dominios sin fuente (SFDG) tiene como objetivo desarrollar modelos adaptables a nuevos dominios sin acceso a los datos de entrenamiento originales.
• Los métodos actuales de SFDG a menudo se basan en modelos de visión y lenguaje y en indicaciones de texto para la extracción de características de estilo, enfrentando desafíos en la generación de estilos diversos y el aprendizaje de características invariantes al dominio.

Objetivo del estudio:

• Proponer un método novedoso de aprendizaje jerárquico de características invariantes al dominio (HDFLStyler) para mejorar la precisión de la clasificación en SFDG.
• Abordar el desafío de generar estilos diversos únicamente a partir de indicaciones de texto y aprender características invariantes robustas al dominio.

Principales métodos:

• Desarrolló un módulo de generación de estilos diversos utilizando ajuste de distribución aleatoria y estrategias de mezcla adaptativa.
• Implementó un componente de aprendizaje de características invariantes al dominio que combina la extracción de características globales y locales.
• Introdujo una pérdida de consistencia invariante al dominio para mejorar el aprendizaje de características.

Principales resultados:

• HDFLStyler demostró un rendimiento de clasificación superior en tareas de SFDG.
• El método genera eficazmente estilos diversos y aprende características invariantes al dominio a partir de indicaciones de texto.
• Experimentos exhaustivos validaron la eficacia del enfoque propuesto.

Conclusiones:

• HDFLStyler ofrece una solución eficaz para SFDG al mejorar la diversidad de estilos y el aprendizaje de características invariantes al dominio.
• El método propuesto mejora las capacidades de generalización del modelo sin requerir datos del dominio fuente.
• Este trabajo contribuye a avanzar en las técnicas de SFDG a través de la generación de estilos innovadores y estrategias de aprendizaje de características.