<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Adaptasi Domain on Nalar</title>
    <link>https://nalar.dev/id/tags/adaptasi-domain/</link>
    <description>Recent content in Adaptasi Domain on Nalar</description>
    <generator>Hugo</generator>
    <language>id-id</language>
    <lastBuildDate>Mon, 07 Sep 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://nalar.dev/id/tags/adaptasi-domain/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Adaptasi Neural Network dengan Gradient Reversal</title>
      <link>https://nalar.dev/id/adaptasi-neural-network-dengan-gradient-reversal/</link>
      <pubDate>Mon, 07 Sep 2026 00:00:00 +0000</pubDate>
      <guid>https://nalar.dev/id/adaptasi-neural-network-dengan-gradient-reversal/</guid>
      <description>&lt;p&gt;Sebuah classifier dapat bekerja baik saat evaluasi lalu melemah setelah deployment karena input berubah. Foto produk mungkin berasal dari kamera baru, pesan dukungan dapat memakai kosakata berbeda, atau pembacaan sensor datang dari hardware lain. Mengumpulkan label untuk lingkungan baru bisa mahal meskipun contoh tanpa label mudah diperoleh.&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;Domain-adversarial training&lt;/strong&gt; menangani salah satu bentuk masalah ini. Metode ini meminta feature extractor mendukung tugas prediksi sekaligus membuat domain source dan target sulit dibedakan. Sebuah &lt;strong&gt;gradient reversal layer&lt;/strong&gt; membuat kedua tujuan yang berlawanan itu dapat dilatih dengan backpropagation biasa dengan membalik gradient dari domain classifier sebelum mencapai feature extractor.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
