Evaluating Balanced Domain Regularizations for Multi-Domain Learning in Audio Classification Tasks
Fecha
2023-07-07Metadatos
Mostrar el registro completo del ítemResumen
Coleções de dados obtidos ou gerados em condições semelhantes são chamadas
de domínios ou fontes de dados. As condições distintas de aquisição ou geração
de dados são muitas vezes negligenciadas, mas compreendê-las é vital para abordar
quaisquer fenômenos emergentes dessas diferenças que possam impedir a generalização
de modelos. O aprendizado multidomínio busca a melhor forma de treinar
um modelo para que ele tenha um desempenho adequado em todos os domínios
utilizados durante o treinamento. Este trabalho explora técnicas de aprendizado
multidomínio que usam informações explícitas sobre o domínio de um exemplo, além
de sua classe. Este estudo avalia uma abordagem geral (Stew) misturando todos os
dados disponíveis e também dois métodos de regularização de domínios: Balanced
Domains e Loss Sum. Treinamos modelos de aprendizado de máquina com as
abordagens listadas usando conjuntos de dados com múltiplas fontes para tarefas
de classificação de áudio. Os resultados sugerem que treinar um modelo usando o
método Loss Sum melhora a performance de modelos anteriormente treinados em
uma mistura de todos os dados disponíveis.