論文の概要: Partially-Shared Variational Auto-encoders for Unsupervised Domain Adaptation with Target Shift

• arxiv url: http://arxiv.org/abs/2001.07895v3
• Date: Sat, 25 Jan 2020 05:41:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 18:40:46.799860
• Title: Partially-Shared Variational Auto-encoders for Unsupervised Domain Adaptation with Target Shift
• Title（参考訳）: ターゲットシフトによる教師なし領域適応のための部分共有変分自動エンコーダ
• Authors: Ryuhei Takahashi, Atsushi Hashimoto, Motoharu Sonogashira, Masaaki Iiyama
• Abstract要約: 本稿では,教師なしドメイン適応(UDA)の目標シフトを考慮した新しいアプローチを提案する。 提案手法は部分共有変分オートエンコーダ (PS-VAE) であり, 特徴分布マッチングの代わりにペアワイズな特徴アライメントを用いる。 PS-VAEは、ラベル関連コンテンツを保存しながら、CycleGANベースのアーキテクチャで各サンプルの変換ドメインを相互変換する。
• 参考スコア（独自算出の注目度）: 11.873435088539459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel approach for unsupervised domain adaptation (UDA) with target shift. Target shift is a problem of mismatch in label distribution between source and target domains. Typically it appears as class-imbalance in target domain. In practice, this is an important problem in UDA; as we do not know labels in target domain datasets, we do not know whether or not its distribution is identical to that in the source domain dataset. Many traditional approaches achieve UDA with distribution matching by minimizing mean maximum discrepancy or adversarial training; however these approaches implicitly assume a coincidence in the distributions and do not work under situations with target shift. Some recent UDA approaches focus on class boundary and some of them are robust to target shift, but they are only applicable to classification and not to regression. To overcome the target shift problem in UDA, the proposed method, partially shared variational autoencoders (PS-VAEs), uses pair-wise feature alignment instead of feature distribution matching. PS-VAEs inter-convert domain of each sample by a CycleGAN-based architecture while preserving its label-related content. To evaluate the performance of PS-VAEs, we carried out two experiments: UDA with class-unbalanced digits datasets (classification), and UDA from synthesized data to real observation in human-pose-estimation (regression). The proposed method presented its robustness against the class-imbalance in the classification task, and outperformed the other methods in the regression task with a large margin.
• Abstract（参考訳）: 本稿では,教師なしドメイン適応(UDA)の目標シフトを考慮した新しいアプローチを提案する。 ターゲットシフトは、ソースとターゲットドメイン間のラベル分布におけるミスマッチの問題である。 通常、ターゲットドメインのクラス不均衡として現れる。 実際には、これはUDAにおいて重要な問題であり、ターゲットドメインデータセットのラベルを知らないため、その分布がソースドメインデータセットのラベルと同じであるかどうかがわからない。 従来の多くのアプローチでは、平均的な最大誤差や敵の訓練を最小化して分布マッチングを達成しているが、これらのアプローチは分布において偶然を仮定し、目標シフトの状況下では機能しない。 最近のUDAアプローチでは、クラス境界に重点を置いており、そのいくつかはターゲットシフトに頑健だが、分類にのみ適用でき、回帰には適用できない。 UDAにおける目標シフト問題を克服するため,提案手法では,特徴分布マッチングの代わりにペアワイズ特徴アライメントを用いる部分共有変分オートエンコーダ(PS-VAE)を提案する。 PS-VAEは、ラベル関連コンテンツを保存しながら、CycleGANベースのアーキテクチャで各サンプルの変換ドメインを相互変換する。 ps-vaesの性能評価のために,クラス不均衡桁データセットを用いたuda(分類)と,ヒト-pose-estimation(回帰)における実測データからのudaの2つの実験を行った。 提案手法は,分類課題のクラス不均衡に対する頑健性を示し,回帰課題の他の手法よりも高いマージンを示した。

関連論文リスト

• centroIDA: Cross-Domain Class Discrepancy Minimization Based on Accumulative Class-Centroids for Imbalanced Domain Adaptation [17.97306640457707]
  IDA(centroIDA)の累積クラスセントロイドに基づくドメイン間差分最小化手法を提案する。 実験により,IDA問題,特にラベルシフトの程度が増大する中で,本手法が他のSOTA法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-21T10:35:32Z)
• Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation and Gradual Alignment [58.56087979262192]
  Open Set Domain Adaptation (OSDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 OSDA法の性能はドメイン内クラス不均衡とドメイン間ラベルシフトで大幅に低下する。 ラベルシフトによって生じる負の効果を軽減するために,オープンセット移動閾値推定とグラデーショナルアライメント(OMEGA)を提案する。
  論文  参考訳（メタデータ） (2023-03-08T05:55:02Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• CLDA: Contrastive Learning for Semi-Supervised Domain Adaptation [1.2691047660244335]
  Unsupervised Domain Adaptation (UDA) は、ラベル付きソース分布とラベル付きターゲット分布との整合を目標とし、ドメイン不変な予測モデルを得る。 半教師付きドメイン適応(CLDA)のためのコントラスト学習フレームワークを提案する。 CLDAは上記のすべてのデータセットに対して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-06-30T20:23:19Z)
• 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)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。