Main results Figure 1 depicts the t

Main results Figure 1 depicts the transfer loss for all methods and for all source-target domain pairs. The best transfer is achieved by the SVM trained on our transformed features in 11 out of 12 cases (SCL is only slightly better in Kitchen -> Electronics) and signficantly better for 8 cases. Interestingly,
for each target domain,
there is one case of negative transfer loss for SDAsh: an SVM trained on a different domain can outperform an SVM trained on the target domain because of the quality of our features.

ผลลัพธ์ (ไทย) 1:

ผลลัพธ์หลักรูปที่ 1 แสดงให้เห็นขาดทุนโอน สำหรับวิธีการทั้งหมด และคู่เมนแหล่งเป้าหมายทั้งหมด การถ่ายโอนที่ดีที่สุดคือความสำเร็จ โดย SVM ฝึกคุณลักษณะที่ดีของเรารับการเปลี่ยนแปลงในกรณี 11 จาก 12 (SCL ดีกว่าเพียงเล็กน้อยในห้องครัว -> อิเล็กทรอนิกส์) และ signfi หรือดีกว่าสำหรับกรณี 8 เรื่องน่าสนใจ สำหรับแต่ละโดเมนเป้าหมาย มีกรณีหนึ่งขาดทุนโอนย้ายค่าลบสำหรับ SDAsh: SVM มีโดเมนที่แตกต่างกันการฝึกอบรมสามารถดีกว่า SVM มีโดเมนเป้าหมายการฝึกอบรมเนื่องจากคุณภาพของคุณสมบัติของเรา

ผลลัพธ์ (ไทย) 2:

ผลหลักรูปที่ 1 แสดงให้เห็นถึงการสูญเสียการถ่ายโอนสำหรับวิธีการทั้งหมดและทุกคู่โดเมนต้นทางเป้าหมาย การถ่ายโอนที่ดีที่สุดจะทำได้โดย SVM รับการฝึกอบรมเกี่ยวกับคุณสมบัติเปลี่ยนเราใน 11 จาก 12 ราย (SCL เป็นเพียงเล็กน้อยที่ดีขึ้นในครัว -> Electronics) และ signfi นัยที่ดีกว่าสำหรับ 8 กรณี ที่น่าสนใจ
สำหรับโดเมนเป้าหมายแต่ละ
มีหนึ่งกรณีของการสูญเสียการโอนเชิงลบสำหรับ SDAsh: การฝึกอบรมเกี่ยวกับ SVM โดเมนที่แตกต่างกันสามารถ outperform SVM รับการฝึกอบรมในโดเมนเป้าหมายเพราะคุณภาพของคุณสมบัติของเรา

ผลลัพธ์ (ไทย) 3:

ผลลัพธ์หลักรูปที่ 1 แสดงให้เห็นการสูญเสียการทุกรูปแบบและทุกแหล่งคู่เป้าหมายโดเมน การถ่ายโอนที่ดีที่สุดคือความโดย SVM การฝึกอบรมของเราเปลี่ยนคุณสมบัติใน 11 จาก 12 ราย ( SCL ที่เป็นเพียงเล็กน้อยดีกว่าในครัว - > อุปกรณ์อิเล็กทรอนิกส์ ) และรักษากว่า 8 ราย น่าสนใจสำหรับแต่ละโดเมนเป้าหมายมีกรณีของการสูญเสียการถ่ายโอนลบ sdash : SVM การอบรมบนโดเมนที่แตกต่างกันสามารถ outperform เป็น SVM ฝึกบนโดเมนเป้าหมายเพราะคุณภาพคุณสมบัติของเรา