DANN (Domain-Adversarial Neural Network)

sozlukdomain-adaptasyon

Diger adlari: Domain-Adversarial Neural Network, Domain-Adversarial Training, Cekismeli Alan Uyarlama Agi

Kisa Tanim

DANN, kaynak ve hedef domain verileri arasinda domain-invariant (alandan bagimsiz) oznitelik temsilleri ogrenen bir gozetimli olmayan domain adaptasyon (UDA) yontemidir. Gradient reversal layer (gradyan tersine cevirme katmani) kullanarak oznitelik cikaricinin domain ayirt edemeyecegi temsiller uretmesini saglar.

Teknik Mantik

DANN uc bilesenden olusur: (1) Oznitelik cikarici (feature extractor) — goruntuden oznitelik vektoru cikarir. (2) Gorev siniflandirici (task classifier) — kaynak domain etiketleri ile egitilir. (3) Domain ayrimci (domain discriminator) — bir oznitelik vektorunun kaynak mi hedef mi domain'den geldigini tahmin eder. Gradient reversal layer, domain ayrimcidan gelen gradyani tersine cevirerek oznitelik cikaricinin domain ayrimciyi yaniltmasini saglar — sonucta domain-invariant oznitelikler ogrenir. Kayip fonksiyonu: L = L_task - lambda * L_domain.

Kullanim Baglami

Kaynak domain'de etiketli veri bol, hedef domain'de yalnizca etiketsiz veri bulunan durumlarda tercih edilir. Goruntu siniflandirma, duygu analizi ve konusma tanima gibi alanlarda basariyla uygulanmistir.

Tarimsal Baglam

Tarimda en kritik domain gap kontrollü ortam (laboratuvar, PlantVillage) ile tarla kosullari arasindadir. DANN, hedef domain'den etiketsiz tarla goruntuleri kullanarak bu acigin kapatilmasinda %15-25 dogruluk artisi saglayabilir (Ganin et al., 2016). Ornegin PlantVillage'da egitilen hastalik modeli, Siirt fistik bahcelerinden alinan etiketsiz goruntulerle DANN kullanilarak adapte edilebilir — uzman etiketleme gerektirmeden.

Sik Karistirilan Nokta

DANN etiketsiz hedef veri gerektirir ama etiketsiz veri de "bedava" degildir — tarla goruntuleri toplanmali, organizize edilmelidir. Ayrica domain mesafesi cok buyukse (ornegin RGB vs. hiperspektral) DANN tek basina yetersiz kalabilir; bu durumda few-shot adaptasyon veya domain-spesifik augmentation ile birlestirilmelidir.

Dr. Mehmet Solak — Siirt Universitesi, Biyosistem Muhendisligi