Я. Гудфеллоу, И. Бенджио, А. Курвилль

адаптации домена
, то задача (оптимальное отображение входа на вы-
ход) остается той же самой во всех ситуациях, но распределения входа несколько 
различаются. Например, рассмотрим задачу анализа эмоциональной окраски, ког-
да нужно определить, выражает ли комментарий положительные или отрицатель-
ные эмоции. Комментарии в вебе могут иметь разное происхождение. Проблема 
адаптации домена возникает, когда предиктор эмоциональной окраски, обученный 

---

452 

 
Обучение представлений 
на отзывах пользователей книг, видео и музыки, затем используется для анализа 
комментариев, относящихся, скажем, к потребительской электронике: телевизорам 
и смартфонам. Можно представить себе, что существует базовая функция, которая 
выдает эмоциональную окраску – положительную, нейтральную или отрицательную, 
но, конечно, словарный состав и стиль могут зависеть от предметной области – до-
мена, что затрудняет обобщение с одного домена на другой. Простое предобучение 
без учителя (с помощью шумоподавляющих автокодировщиков) показало прекрас-
ные результаты при анализе эмоциональной окраски посредством адаптации домена 
(Glorot et al., 2011b).
Переключатель
Рис. 15.2 

Пример архитектуры для многозадачного обучения и перено-
са обучения, когда у переменной 
y
общая для нескольких задач семантика, 
а вход 
x
имеет разную семантику (и, возможно, даже разную размерность) 
для каждой задачи (или, к примеру, каждого пользователя): 
x
(1)
, 
x
(2)
, 
x
(3)
. 
Нижние уровни (до переключателя) зависят от задачи, а верхние являют-
ся общими. Нижние уровни обучаются транслировать зависящие от задачи 
входы в универсальный набор признаков
Родственная задача –