Глубокие нейронные сети демонстрируют отличные результаты в обучении на размеченных данных, однако работа с неразмеченными данными в условиях смены домена (domain shift) остается серьезной проблемой. В данном обзоре рассматриваются современные методы нейронной адаптации домена без учителя, которые не требуют наличия меток в целевой выборке. Такой подход является более сложным, но имеет широкое практическое применение в реальных сценариях. Авторы систематизируют существующие методики, начиная от классических подходов и заканчивая современными архитектурами.
Данный обзор систематизирует методы нейронного обучения без учителя для адаптации моделей к новым доменам данных без использования ручной разметки. Авторы анализируют, как современные алгоритмы справляются с «доменным сдвигом», когда ИИ нужно работать в незнакомом контексте. Работа служит фундаментальным гидом по созданию гибких NLP-систем, способных эффективно масштабироваться на разные сферы бизнеса и науки.