סקירה זו היא חלק מפינה קבועה בה אני סוקר מאמרים חשובים בתחום ה-ML/DL, וכותב גרסה פשוטה וברורה יותר שלהם בעברית. במידה ותרצו לקרוא את המאמרים הנוספים שסיכמתי, אתם מוזמנים לבדוק את העמוד שמרכז אותם תחת השם deepnightlearners.
לילה טוב חברים, היום אנחנו שוב בפינתנו deepnightlearners עם סקירה של מאמר בתחום הלמידה העמוקה. היום בחרתי לסקירה את המאמר שנקרא:
Geometric Dataset Distances via Optimal Transport
פינת הסוקר:
המלצת קריאה ממייק: חובה למתעניינים בשיטות של domain adaptation.
בהירות כתיבה: בינונית.
רמת היכרות עם כלים מתמטיים וטכניקות של ML/DL הנדרשים להבנת מאמר: נדרשת היכרות בסיסית עם שיטות domain adaptation והבנה טובה בכל מה שקשור לטרנספורט האופטימלי.
יישומים פרקטיים אפשריים: מציאת זוגות של דאטהסטים ״נוחים״ לביצוע domain adaptation של מודלים ביניהם.
פרטי מאמר:
לינק למאמר: זמין להורדה
לינק לקוד: לא נמצא בארקיב
פורסם בתאריך: 07.02.20, בארקיב
הוצג בכנס: NeurIPS2020
תחום מאמר:
- אדפטציה בין דומיינים (domain adaptation)
- חקר של דמיון בין דאטהסטים
- transfer learning
כלים ומושגים מתמטיים במאמר:
- הטרנספורט האופטימלי (optimal transport)
- מרחק וסרשטיין (WD)
- נוסחת רובינסטיין-קנטורוביץ
- שיטת Sinkhorn לחישוב OT
תמצית מאמר: לכתבה המלאה >>