Domain adaptation Early work on dom

Domain adaptation Early work on domain adaptation focuses on supervised setting, in which some
amount of labeled instances are available in the target domain (Jiang and Zhai, 2007; Daum´e III, 2007; Finkel and Manning, 2009). Unsupervised domain adaptation is more challenging but attractive in many applications, and several representation learning methods have been proposed for addressing this problem. Structural Correspondence Learning (Blitzer et al., 2006, SCL) and marginalized denoising autoencoders (Chen et al., 2012, mDA) seek cross-domain representations that are useful to predict a subset of features in the original instances, called pivot features. Schnabel and Sch¨utze (2014) directly induce distributional representations for POS tagging based on local left and right neighbors of the token

Kết quả (Việt) 1:

Tên miền thích ứng đầu làm việc trên các tên miền thích ứng tập trung vào việc thiết lập giám sát, trong đó một sốsố lượng các trường hợp có nhãn có sẵn trong mục tiêu tên miền (Jiang và Zhai, năm 2007; Daum´e III, năm 2007; Finkel và Manning, 2009). Thích ứng các tên miền không có giám sát là khó khăn hơn nhưng hấp dẫn trong nhiều ứng dụng, và một số đại diện học tập phương pháp đã được đề xuất để giải quyết vấn đề này. Cấu trúc thư từ học (Blitzer et al., năm 2006, SCL) và lề denoising autoencoders (Chen et al., năm 2012, mDA) tìm kiếm đại diện tên miền chéo là hữu ích để dự đoán một tập hợp con của các tính năng trong trường hợp ban đầu, được gọi là tính năng xoay vòng. Schnabel và Sch¨utze (2014) trực tiếp gây ra distributional đại diện cho POS gắn thẻ dựa trên địa phương trái và bên phải người hàng xóm của kỷ niệm

Kết quả (Việt) 2:

Thích ứng miền công việc sớm về thích ứng với miền tập trung vào thiết lập giám sát, trong đó một số
lượng trường được dán nhãn có sẵn trong phạm vi mục tiêu (Jiang và Zhai, 2007; Daum'e III năm 2007; Finkel và Manning, 2009). Thích ứng miền không có giám sát là khó khăn hơn nhưng hấp dẫn trong nhiều ứng dụng, và một số phương pháp đại diện học tập đã được đề xuất để giải quyết vấn đề này. Kết cấu Correspondence học tập (Blitzer et al., 2006, SCL) và autoencoders denoising thòi (Chen et al., 2012, MDA) tìm kiếm đại diện cross-domain mà có ích để dự đoán một tập hợp con của các tính năng trong các trường hợp ban đầu, được gọi là tính năng pivot. Schnabel và Schutze (2014) trực tiếp gây ra đại diện phân phối cho gắn thẻ POS dựa trên trái địa phương và hàng xóm bên phải của thẻ