Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Collaborative Science, Technology and Innovation Program – Ideation Fund

Simon Fraser University

$24,500.00

Methods and Algorithms for Unsupervised Domain Adaptation

FY 2023-24 · 2023-08-21

Summary
Even in the era of big data, many domains may still suffer from lack of high quality labeled data for machine learning. Thus, zero-shot transfer learning is particularly important, which explores methodologies to transfer models learned from a supervision-rich domain to a domain with no properly labeled training data. In this project, we will focus on zero-shot transfer learning for sophisticated models and from a supervision-rich domain to a domain whose relationship is even unknown. We will tackle several data science challenges and develop principled methods. Particularly, we will investigate cross-domain data augmentation methods, which help to generate training or testing data for an unknown domain, or transfer data from a supervision-rich domain to an unknown domain. The techniques developed in this project may be used in many important problems, such as multi-lingual natural language processing (NLP) tasks and multi-modal learning.
Program
Collaborative Science, Technology and Innovation Program – Ideation Fund
Location
Burnaby|Burnaby, British Columbia, Canada
Recipient Type
Academia
Type
Grant
Source
Proactive Disclosure - Grants and Contributions

As published

Reference Number
172-2021-2022-Q2-972620
Amendment Number
0
Agreement Type
Grant
Recipient Type
S
Recipient Business Number
1057810
Recipient Legal Name
Simon Fraser University
Recipient Country
CA
Recipient Province or Territory
BC
Recipient City
Burnaby|Burnaby
Recipient Postal Code
V5A 1S6
Federal Riding
Burnaby North–Seymour
Federal Riding (French)
Burnaby-Nord–Seymour
Federal Riding Number
59002
Program Name
Collaborative Science, Technology and Innovation Program – Ideation Fund
Program Name (French)
Programme de collaboration en science, en technologie et en innovation – Fonds d’idéation
Program Purpose
The Ideation Fund is intended to encourage, test and validate transformative research ideas generated by teams of NRC scientific personnel and external collaborators with complementary capabilities, acting as a demonstration phase for a continually-evolving suite of research and development (R&D) deliverables at the NRC. The fund supports exploratory research through two mechanisms: the New Beginnings Initiative and the Small Teams Initiative.
Program Purpose (French)
Le Fonds d’idéation vise à encourager, à mettre à l’essai et à valider les idées de recherche transformatrice des équipes scientifiques du CNRC et des collaborateurs externes dotés de capacités complémentaires. Il servira ainsi de plateforme de démonstration d’une série de produits livrables en matière de recherche-développement (R-D) en constante évolution au CNRC. Le Fonds appuie la recherche exploratoire au moyen de deux mécanismes : l’Initiative « Nouveaux débuts » et l’Initiative « Petites équipes ».
Agreement Title
Methods and Algorithms for Unsupervised Domain Adaptation
Agreement Title (French)
Méthodes et algorithmes autorisant une modification du domaine sans supervision
Agreement Number
972620
Agreement Value
$24,500.00
Agreement Start Date
2023-08-21
Agreement End Date
2022-09-30
Description
Even in the era of big data, many domains may still suffer from lack of high quality labeled data for machine learning. Thus, zero-shot transfer learning is particularly important, which explores methodologies to transfer models learned from a supervision-rich domain to a domain with no properly labeled training data. In this project, we will focus on zero-shot transfer learning for sophisticated models and from a supervision-rich domain to a domain whose relationship is even unknown. We will tackle several data science challenges and develop principled methods. Particularly, we will investigate cross-domain data augmentation methods, which help to generate training or testing data for an unknown domain, or transfer data from a supervision-rich domain to an unknown domain. The techniques developed in this project may be used in many important problems, such as multi-lingual natural language processing (NLP) tasks and multi-modal learning.
Description (French)
Même à l’heure des mégadonnées, l’apprentissage automatique dans de nombreux domaines peut être gêné par le manque de données annotées de bonne qualité. L’apprentissage par transfert sans données annotées (« zero-shot » en anglais) est donc particulièrement important. Il consiste à explorer des méthodologies pour transférer les modèles appris dans le cadre d’un domaine supervisé riche en données à un domaine pour lequel on ne dispose pas de données correctement annotées. Dans le cadre de ce projet, nous nous concentrerons sur l’apprentissage par transfert sans données annotées d’une part pour des modèles sophistiqués et d’autre part pour le transfert d’un domaine supervisé riche à un domaine dont on ne connaît même pas la relation entre les éléments. Nous nous attaquerons à plusieurs défis qui relèvent de la science des données et nous mettrons au point des méthodes raisonnées. Nous étudierons en particulier les méthodes d’augmentation entre les domaines des données qui permettent de générer des données d’entraînement ou de test pour un domaine inconnu, ou de transférer des données d’un domaine supervisé riche en données à un domaine inconnu. Les techniques mises au point dans le cadre de ce projet pourraient être utilisées pour la résolution de nombreux problèmes importants liés notamment au traitement automatique du langage naturel (TALN) et à l’apprentissage multimodal.
NAICS Code
541710
Expected Results
In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators.
Expected Results (French)
À court terme, les résultats prévus sont des collaborations renforcées dans l’ensemble de l’industrie, du milieu universitaire et du gouvernement afin d’appuyer l’excellence en recherche. À moyen terme, les résultats prévus sont le développement de technologies potentiellement perturbatrices avec des collaborateurs.
Organization Code
nrc-cnrc
Organization
National Research Council Canada | Conseil national de recherches Canada