論文の概要: Dual Adversarial Domain Adaptation
- arxiv url: http://arxiv.org/abs/2001.00153v1
- Date: Wed, 1 Jan 2020 07:10:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 09:09:07.103438
- Title: Dual Adversarial Domain Adaptation
- Title(参考訳): 双対逆領域適応
- Authors: Yuntao Du, Zhiwen Tan, Qian Chen, Xiaowen Zhang, Yirong Yao, Chongjun
Wang
- Abstract要約: 教師なしドメイン適応は、ラベル付きソースドメインからラベルなしターゲットドメインへの知識の転送を目的としている。
近年の研究では、判別器が両方のドメインにドメイン情報を備えている場合、複雑なマルチモーダル情報を保存できることが示されている。
ドメインレベルのアライメントとクラスレベルのアライメントを同時に行うために,2Kドル分の出力を持つ判別器を単一識別器に適用する。
- 参考スコア(独自算出の注目度): 6.69797982848003
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Unsupervised domain adaptation aims at transferring knowledge from the
labeled source domain to the unlabeled target domain. Previous adversarial
domain adaptation methods mostly adopt the discriminator with binary or
$K$-dimensional output to perform marginal or conditional alignment
independently. Recent experiments have shown that when the discriminator is
provided with domain information in both domains and label information in the
source domain, it is able to preserve the complex multimodal information and
high semantic information in both domains. Following this idea, we adopt a
discriminator with $2K$-dimensional output to perform both domain-level and
class-level alignments simultaneously in a single discriminator. However, a
single discriminator can not capture all the useful information across domains
and the relationships between the examples and the decision boundary are rarely
explored before. Inspired by multi-view learning and latest advances in domain
adaptation, besides the adversarial process between the discriminator and the
feature extractor, we also design a novel mechanism to make two discriminators
pit against each other, so that they can provide diverse information for each
other and avoid generating target features outside the support of the source
domain. To the best of our knowledge, it is the first time to explore a dual
adversarial strategy in domain adaptation. Moreover, we also use the
semi-supervised learning regularization to make the representations more
discriminative. Comprehensive experiments on two real-world datasets verify
that our method outperforms several state-of-the-art domain adaptation methods.
- Abstract(参考訳): 教師なしドメイン適応は、ラベル付きソースドメインからラベルなしターゲットドメインへの知識の転送を目的としている。
従来の敵対的領域適応法は、主に二進数または$K$次元の出力を持つ判別器を採用して、境界的あるいは条件的アライメントを独立に行う。
近年の実験では、判別器が両ドメインのドメイン情報とソースドメインのラベル情報とを備えると、複雑なマルチモーダル情報と両ドメインの高意味情報を保持することができることが示されている。
この考え方に従い、2k$次元出力を持つ判別器を採用し、単一の判別器でドメインレベルとクラスレベルのアライメントを同時に実行する。
しかし、単一の判別器はドメイン全体にわたって有用な情報を全て捉えることができず、例と決定境界の関係は以前にも研究されることは滅多にない。
多視点学習とドメイン適応の最近の進歩に触発され、識別器と特徴抽出器の間の敵対的プロセスに加えて、2つの識別器を互いに対向させる新しいメカニズムをデザインし、相互に多様な情報を提供し、ソースドメインのサポートの外でターゲット機能を生成するのを避ける。
我々の知る限りでは、ドメイン適応における二重敵戦略を探求するのは初めてである。
さらに,半教師付き学習正規化を用いて表現をより判別する。
2つの実世界のデータセットに関する包括的な実験により、この手法がいくつかの最先端のドメイン適応法を上回ることを検証した。
関連論文リスト
- Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
時系列異常検出は、幅広い現実世界の応用において難しい課題である。
近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。
本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
論文 参考訳(メタデータ) (2023-04-15T02:28:58Z) - Making the Best of Both Worlds: A Domain-Oriented Transformer for
Unsupervised Domain Adaptation [31.150256154504696]
Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。
ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。
本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
論文 参考訳(メタデータ) (2022-08-02T01:38:37Z) - Label Distribution Learning for Generalizable Multi-source Person
Re-identification [48.77206888171507]
人物再識別(Re-ID)は,映像監視システムにおいて重要な技術である。
教師付きモデルを任意の未確認領域に直接適用することは困難である。
一般化可能な多ソース人物Re-IDタスクに対処する新しいラベル分散学習法(LDL)を提案する。
論文 参考訳(メタデータ) (2022-04-12T15:59:10Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳(メタデータ) (2021-06-10T06:32:30Z) - Select, Label, and Mix: Learning Discriminative Invariant Feature
Representations for Partial Domain Adaptation [55.73722120043086]
部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。
まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。
次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
論文 参考訳(メタデータ) (2020-12-06T19:29:32Z) - Interventional Domain Adaptation [81.0692660794765]
ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。
標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。
ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
論文 参考訳(メタデータ) (2020-11-07T09:53:13Z) - Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。
本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。
具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
論文 参考訳(メタデータ) (2020-08-27T01:29:10Z) - Unsupervised Domain Adaptation via Discriminative Manifold Propagation [26.23123292060868]
教師なしドメイン適応は、ラベル付きソースドメインからラベルなしターゲットドメインへのリッチな情報を活用するのに効果的である。
提案手法は,バニラおよび部分的設定を含む一連のドメイン適応問題に対処するために利用できる。
論文 参考訳(メタデータ) (2020-08-23T12:31:37Z) - Adversarial Training Based Multi-Source Unsupervised Domain Adaptation
for Sentiment Analysis [19.05317868659781]
感情分析のためのマルチソース領域適応手法に基づく2つの伝達学習フレームワークを提案する。
最初のフレームワークは、新しいWeighting Schemeベースのunsupervised Domain Adaptation framework (WS-UDA)で、ソース分類器を組み合わせてターゲットインスタンスの擬似ラベルを取得する。
2つめのフレームワークは、2段階トレーニングベースの教師なしドメイン適応フレームワーク(2ST-UDA)である。
論文 参考訳(メタデータ) (2020-06-10T01:41:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。