Towards a Problem-Oriented Domain Adaptation Framework for Machine Learning

要約

ドメイン適応は、ターゲット ドメインで同じタスクを実行するためにソース ドメインから知識を転送することを含む機械学習のサブフィールドです。
これは、さまざまなソースからデータを取得する場合や、時間の経過とともに変化するデータ ベースを使用する場合などに発生する、機械学習における典型的な課題です。
この分野の最近の進歩により、有望な手法が提供されていますが、研究者や実践者にとって、ドメイン適応が特定の問題に適しているかどうかを判断し、その後適切なアプローチを選択することは依然として困難です。
この記事では、デザイン サイエンスの研究を利用して、ドメイン適応のための問題指向のフレームワークを開発します。このフレームワークは 3 つの評価エピソードで成熟します。
5 つのドメイン適応シナリオを区別し、各シナリオに対処するための推奨事項を提供し、問題がこれらのシナリオのいずれかに該当するかどうかを判断するためのガイドラインを提供するフレームワークについて説明します。
複数の評価エピソード中に、フレームワークは人工データセットと現実世界のデータセット、および 100 人の参加者を含む実験研究でテストされます。
この評価は、このフレームワークがあらゆるドメイン適応問題を効果的に捉える説明力を持っていることを示しています。
要約すると、ドメイン適応を採用したいと考えているものの、その可能性についての深い知識が不足している研究者や実践者に明確なガイダンスを提供します。

要約(オリジナル)

Domain adaptation is a sub-field of machine learning that involves transferring knowledge from a source domain to perform the same task in the target domain. It is a typical challenge in machine learning that arises, e.g., when data is obtained from various sources or when using a data basis that changes over time. Recent advances in the field offer promising methods, but it is still challenging for researchers and practitioners to determine if domain adaptation is suitable for a given problem — and, subsequently, to select the appropriate approach. This article employs design science research to develop a problem-oriented framework for domain adaptation, which is matured in three evaluation episodes. We describe a framework that distinguishes between five domain adaptation scenarios, provides recommendations for addressing each scenario, and offers guidelines for determining if a problem falls into one of these scenarios. During the multiple evaluation episodes, the framework is tested on artificial and real-world datasets and an experimental study involving 100 participants. The evaluation demonstrates that the framework has the explanatory power to capture any domain adaptation problem effectively. In summary, we provide clear guidance for researchers and practitioners who want to employ domain adaptation but lack in-depth knowledge of the possibilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google