論文の概要: Low-Budget Label Query through Domain Alignment Enforcement

• arxiv url: http://arxiv.org/abs/2001.00238v2
• Date: Sun, 29 Mar 2020 11:43:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 09:28:24.138372
• Title: Low-Budget Label Query through Domain Alignment Enforcement
• Title（参考訳）: ドメインアライメント強制による低予算ラベルクエリ
• Authors: Jurandy Almeida, Cristiano Saltori, Paolo Rota, and Nicu Sebe
• Abstract要約: 我々は低予算ラベルクエリと呼ばれる新しい問題に取り組む。 まず、ソースとターゲットドメインの整合性を改善するために、Unsupervised Domain Adaptation (UDA) 法を改善します。 そこで我々は,予測整合分布の均一サンプリングに基づく簡易かつ効果的な選択法を提案する。
• 参考スコア（独自算出の注目度）: 48.06803561387064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning revolution happened thanks to the availability of a massive amount of labelled data which have contributed to the development of models with extraordinary inference capabilities. Despite the public availability of a large quantity of datasets, to address specific requirements it is often necessary to generate a new set of labelled data. Quite often, the production of labels is costly and sometimes it requires specific know-how to be fulfilled. In this work, we tackle a new problem named low-budget label query that consists in suggesting to the user a small (low budget) set of samples to be labelled, from a completely unlabelled dataset, with the final goal of maximizing the classification accuracy on that dataset. In this work we first improve an Unsupervised Domain Adaptation (UDA) method to better align source and target domains using consistency constraints, reaching the state of the art on a few UDA tasks. Finally, using the previously trained model as reference, we propose a simple yet effective selection method based on uniform sampling of the prediction consistency distribution, which is deterministic and steadily outperforms other baselines as well as competing models on a large variety of publicly available datasets.
• Abstract（参考訳）: ディープラーニングの革命は、大量のラベル付きデータが利用可能になったことにより、異常な推論能力を持つモデルの開発に寄与した。 大量のデータセットが公開されているにもかかわらず、特定の要求に対処するためには、しばしば新しいラベル付きデータのセットを生成する必要がある。 しばしば、ラベルの生産はコストがかかり、時には特定のノウハウが必要とされる。 そこで本研究では,ラベルなしのデータセットからラベル付けすべきサンプルの小さな(低予算)セットをユーザに提案し,そのデータセットの分類精度を最大化する最終目標とする,低予算ラベルクエリという新たな問題に取り組む。 この作業では、まずUnsupervised Domain Adaptation (UDA) メソッドを改善し、一貫性の制約を使ってソースとターゲットドメインの整合性を向上し、いくつかの UDA タスクで最先端に到達します。 最後に,前述したモデルを参考に,予測一貫性分布の均一なサンプリングに基づく簡易かつ効果的な選択法を提案する。

関連論文リスト

• Probabilistic Test-Time Generalization by Variational Neighbor-Labeling [62.158807685159736]
  本稿では、ドメインの一般化を試み、モデルが未確認のターゲットドメインにデプロイされる前に、ソースドメインにのみトレーニングされる。 ソーストレーニングされたモデルをテスト時にターゲットドメインに一般化するための、ターゲットサンプルの擬似ラベル化の確率。 より堅牢な擬似ラベルを生成するために、近隣のターゲットサンプルの情報を含む変分隣接ラベル。
  論文  参考訳（メタデータ） (2023-07-08T18:58:08Z)
• Combining Public Human Activity Recognition Datasets to Mitigate Labeled Data Scarcity [1.274578243851308]
  本稿では,一般公開されたデータセットと一般化されたHARモデルを学習するための新たな戦略を提案する。 我々の実験評価は、さまざまな最先端ニューラルネットワークアーキテクチャの実験を含むもので、公開データセットを組み合わせることで、ラベル付きサンプルの数を著しく削減できることを示している。
  論文  参考訳（メタデータ） (2023-06-23T18:51:22Z)
• Combating Label Distribution Shift for Active Domain Adaptation [16.270897459117755]
  我々は、未ラベルのターゲットデータに対するアクティブドメイン適応(ADA)の問題を考える。 ドメイン適応におけるソースとターゲット間のラベル分布ミスマッチから重要な問題に対する最近の分析から着想を得て,ADAで初めてこの問題に対処する手法を考案した。
  論文  参考訳（メタデータ） (2022-08-13T09:06:45Z)
• S$^3$VAADA: Submodular Subset Selection for Virtual Adversarial Active Domain Adaptation [49.01925978752677]
  現実のシナリオでは、少数のターゲットデータに対してラベルを取得することは可能かもしれません。 我々は,S$3$VAADAを提案する。これは,ラベルに対する最大情報サブセットを選択するための,新しいサブモジュール基準を導入し,また,クラスタベースのDA手順を強化する。 我々のアプローチは、ドメインシフトの度合いの異なるデータセットにおいて、競合する最先端のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2021-09-18T10:53:57Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Self-Supervised Noisy Label Learning for Source-Free Unsupervised Domain Adaptation [87.60688582088194]
  新規な自己監督雑音ラベル学習法を提案する。 本手法は最新の結果を容易に達成でき、他の手法を非常に大きなマージンで超えることができる。
  論文  参考訳（メタデータ） (2021-02-23T10:51:45Z)
• Weak Adaptation Learning -- Addressing Cross-domain Data Insufficiency with Weak Annotator [2.8672054847109134]
  一部のターゲット問題ドメインでは、学習プロセスを妨げる可能性のあるデータサンプルがあまりありません。 類似のソースドメインからのラベルなしデータを活用した弱い適応学習(wal)手法を提案する。 本実験は,対象領域に限定されたラベル付きデータを含む正確な分類器を学習する手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-02-15T06:19:25Z)
• Diversity-Based Generalization for Unsupervised Text Classification under Domain Shift [16.522910268114504]
  本稿では,多様性に基づく一般化の単純かつ効果的な考え方に基づく単一タスクテキスト分類問題の領域適応手法を提案する。 我々の結果は、十分な多様性を保証する機械学習アーキテクチャがより一般化できることを実証している。
  論文  参考訳（メタデータ） (2020-02-25T15:11:02Z)

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。