More recent work trains crossdomain

More recent work trains crossdomain representations with neural networks, with additional objectives such as minimizing errors in the source domain and maximizing domain confusion loss (Ganin and Lempitsky, 2015; Tzeng et al., 2015). We show the Feature Embedding model, which is specifically designed for NLP problems with feature templates (Yang and Eisenstein, 2015), achieves strong performance on historical adaptation tasks.

Kết quả (Việt) 1:

Gần đây công việc đào tạo crossdomain đại diện với mạng lưới thần kinh, với các mục tiêu bổ sung chẳng hạn như giảm thiểu sai sót trong nguồn miền và tối đa hóa miền nhầm lẫn mất (Ganin và Lempitsky, năm 2015; Tzeng et al., năm 2015). Chúng tôi thấy mô hình tính năng nhúng, mà được thiết kế đặc biệt cho NLP vấn đề với tính năng mẫu (Yang và Eisenstein, năm 2015), đạt được hiệu suất mạnh mẽ về trách nhiệm lịch sử thích ứng.

Kết quả (Việt) 2:

Nhiều tàu công việc gần đây crossdomain đại diện với các mạng thần kinh, với mục tiêu khác như giảm thiểu sai sót trong lĩnh vực nguồn và tối đa hóa mất sự nhầm lẫn miền (Ganin và Lempitsky năm 2015;. Tzeng et al, 2015). Chúng tôi cho thấy các mô hình tính năng Nhúng, được thiết kế đặc biệt cho các vấn đề NLP với các mẫu tính năng (Yang và Eisenstein, 2015), đạt hiệu suất mạnh mẽ về việc thích nghi lịch sử.