Новый способ измерения схожести данных при переносе знаний

Ученые представили новый показатель – Cross-Fusion Distance (CFD), предназначенный для оценки степени объединения и разделения групп данных в пространстве представлений. Это особенно важно при обучении моделей, когда данные из разных источников (доменов) используются вместе.

Суть CFD в том, что он учитывает только те факторы, которые действительно влияют на "слияние" данных – например, изменение их взаимного расположения. При этом показатель не чувствителен к глобальному масштабированию или небольшим изменениям в выборке данных, которые не влияют на общую картину. Существующие методы часто путают эти факторы, давая неточные результаты.

CFD позволяет более точно оценивать, насколько хорошо модель переносит знания из одного домена в другой, и как это отражается на её способности обобщать данные. Эксперименты показали, что CFD лучше соответствует реальному снижению точности модели при доменном сдвиге, чем традиционные метрики.