論文の概要: Domain Adaptation as a Problem of Inference on Graphical Models

• arxiv url: http://arxiv.org/abs/2002.03278v4
• Date: Fri, 23 Oct 2020 08:55:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 14:17:26.469393
• Title: Domain Adaptation as a Problem of Inference on Graphical Models
• Title（参考訳）: 図形モデルにおける推論問題としてのドメイン適応
• Authors: Kun Zhang, Mingming Gong, Petar Stojanov, Biwei Huang, Qingsong Liu, Clark Glymour
• Abstract要約: 共同分布がドメイン間でどのように変化するかは、事前には分かっていない。 本稿では,共同分布の変化特性を符号化するコンパクトな方法として,グラフィカルモデルを提案する。
• 参考スコア（独自算出の注目度）: 46.68286696120191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper is concerned with data-driven unsupervised domain adaptation, where it is unknown in advance how the joint distribution changes across domains, i.e., what factors or modules of the data distribution remain invariant or change across domains. To develop an automated way of domain adaptation with multiple source domains, we propose to use a graphical model as a compact way to encode the change property of the joint distribution, which can be learned from data, and then view domain adaptation as a problem of Bayesian inference on the graphical models. Such a graphical model distinguishes between constant and varied modules of the distribution and specifies the properties of the changes across domains, which serves as prior knowledge of the changing modules for the purpose of deriving the posterior of the target variable $Y$ in the target domain. This provides an end-to-end framework of domain adaptation, in which additional knowledge about how the joint distribution changes, if available, can be directly incorporated to improve the graphical representation. We discuss how causality-based domain adaptation can be put under this umbrella. Experimental results on both synthetic and real data demonstrate the efficacy of the proposed framework for domain adaptation. The code is available at https://github.com/mgong2/DA_Infer .
• Abstract（参考訳）: 本論文は,データ駆動型非教師なしドメイン適応に関するもので,データ分散がドメイン間でどのように変化するか,すなわち,データ分散のどの要素やモジュールが不変か,あるいはドメイン間でどのように変化するか,事前には分かっていない。 本研究では,複数ソースドメインによるドメイン適応の自動手法を開発するために,データから学習可能なジョイント分布の変化特性をエンコードするためのコンパクトな手法としてグラフィカルモデルを用いることを提案し,ベイズ推定の問題としてドメイン適応を考察する。 このようなグラフィカルモデルは、分布の定数と様々なモジュールを区別し、対象の変数の後方を目的のドメインで$Y$から導出する目的で、変化するモジュールの事前知識として機能する領域間の変化の特性を特定する。 これにより、ドメイン適応のエンドツーエンドのフレームワークが提供され、共同配布が利用可能であれば、グラフィカル表現を改善するために直接組み込むことができる。 因果関係に基づくドメイン適応をこの傘の下に置く方法について論じる。 合成データと実データの両方に関する実験結果から,提案手法の有効性が示された。 コードはhttps://github.com/mgong2/da_inferで入手できる。

関連論文リスト

• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Online Continual Domain Adaptation for Semantic Image Segmentation Using Internal Representations [28.549418215123936]
  アノテーションのない領域におけるモデル一般化を改善するために,画像のセマンティックセマンティックセマンティックセマンティクスのためのオンラインUDAアルゴリズムを開発した。 確立されたセマンティックセマンティックセマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティックス(SOTA)と比較した。
  論文  参考訳（メタデータ） (2024-01-02T04:48:49Z)
• Unsupervised Domain Adaptation via Domain-Adaptive Diffusion [31.802163238282343]
  非教師付きドメイン適応(UDA)は、ソースドメインとターゲットドメインの間に大きな分散不一致があるため、非常に難しい。 大規模なギャップをまたいでデータ分散を段階的に変換する能力を持つ拡散モデルに着想を得て,その課題に対処する拡散手法について検討する。 提案手法は, 広く使用されている3つのUDAデータセットに対して, 現在の最先端技術よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2023-08-26T14:28:18Z)
• Partial Identifiability for Domain Adaptation [17.347755928718872]
  iMSDAと呼ばれる実用的なドメイン適応フレームワークを提案する。 iMSDAは、ベンチマークデータセット上で最先端のドメイン適応アルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-10T19:04:03Z)
• Variational Model Perturbation for Source-Free Domain Adaptation [64.98560348412518]
  確率的枠組みにおける変分ベイズ推定によるモデルパラメータの摂動を導入する。 本研究では,ベイズニューラルネットワークの学習と理論的関連性を実証し,目的領域に対する摂動モデルの一般化可能性を示す。
  論文  参考訳（メタデータ） (2022-10-19T08:41:19Z)
• Gradual Domain Adaptation via Self-Training of Auxiliary Models [50.63206102072175]
  ソースとターゲットドメイン間のギャップを増やすことで、ドメイン適応はより難しくなります。 中間領域のモデルを学習する補助モデル(AuxSelfTrain)の自己学習を提案する。 教師なしおよび半教師付きドメイン適応のベンチマークデータセットの実験は、その有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:15:25Z)
• Domain Invariant Representation Learning with Domain Density Transformations [30.29600757980369]
  ドメインの一般化とは、ソースドメインの集合からデータに基づいてモデルをトレーニングし、対象ドメインの見えない領域にモデルを一般化できるようにする問題を指す。 本稿では,このようなドメイン変換を学習し,本手法を実際に実装する方法を示す。
  論文  参考訳（メタデータ） (2021-02-09T19:25:32Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。