論文の概要: Collaborative Training of Balanced Random Forests for Open Set Domain Adaptation

• arxiv url: http://arxiv.org/abs/2002.03642v1
• Date: Mon, 10 Feb 2020 10:43:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 08:57:30.985655
• Title: Collaborative Training of Balanced Random Forests for Open Set Domain Adaptation
• Title（参考訳）: 開集合領域適応のためのバランスのとれたランダム林の協調学習
• Authors: Jongbin Ryu, Jiun Bae, Jongwoo Lim
• Abstract要約: 本稿では、ドメイン適応タスクのための畳み込みニューラルネットワークを用いたバランスのとれたランダム森林の協調学習アルゴリズムを提案する。 ラベル付きソースデータの情報ゲインとラベル付き対象データ分布のエントロピーを協調的に最適化することにより,提案したCoBRFアルゴリズムは最先端手法よりもはるかに優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 24.953392909304203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a collaborative training algorithm of balanced random forests with convolutional neural networks for domain adaptation tasks. In real scenarios, most domain adaptation algorithms face the challenges from noisy, insufficient training data and open set categorization. In such cases, conventional methods suffer from overfitting and fail to successfully transfer the knowledge of the source to the target domain. To address these issues, the following two techniques are proposed. First, we introduce the optimized decision tree construction method with convolutional neural networks, in which the data at each node are split into equal sizes while maximizing the information gain. It generates balanced decision trees on deep features because of the even-split constraint, which contributes to enhanced discrimination power and reduced overfitting problem. Second, to tackle the domain misalignment problem, we propose the domain alignment loss which penalizes uneven splits of the source and target domain data. By collaboratively optimizing the information gain of the labeled source data as well as the entropy of unlabeled target data distributions, the proposed CoBRF algorithm achieves significantly better performance than the state-of-the-art methods.
• Abstract（参考訳）: 本稿では,ドメイン適応タスクのための畳み込みニューラルネットワークを用いたランダム林の協調学習アルゴリズムを提案する。 実際のシナリオでは、ほとんどのドメイン適応アルゴリズムはノイズ、不十分なトレーニングデータ、オープンセットの分類といった課題に直面します。 そのような場合、従来の手法は過剰フィッティングに苦しめられ、ソースの知識をターゲットドメインにうまく転送できない。 これらの問題に対処するため、以下の2つの手法が提案されている。 まず,情報ゲインを最大化しつつ,各ノードのデータを等しいサイズに分割する畳み込みニューラルネットワークを用いた決定木構築手法を提案する。 差別力の向上と過剰適合問題の軽減に寄与する均等な制約のため、深い特徴のバランスのとれた決定木を生成する。 第2に、ドメインのミスアライメント問題に取り組むため、ソースとターゲットのドメインデータの不均一な分割を罰するドメインアライメントロスを提案する。 ラベル付きソースデータの情報ゲインとラベル付き対象データ分布のエントロピーを協調的に最適化することにより,提案手法は最先端手法よりも優れた性能を実現する。

関連論文リスト

• Joint Optimization of Resource Allocation and Data Selection for Fast and Cost-Efficient Federated Edge Learning [9.460012379815423]
  FEEL(FEEL)を導入したワイヤレスエッジでの学習 本稿では,効率的なシステム,連合型共同資源割り当てとデータ選択を提案する。 共同資源配分とデータ選択という提案手法の優位性を検証した。
  論文  参考訳（メタデータ） (2024-07-03T08:03:59Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for Multi-Source Domain Adaptation [2.734665397040629]
  マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数の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。 異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。 本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:08:41Z)
• 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)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Deep Reinforcement Learning for Field Development Optimization [0.0]
  本研究の目的は,畳み込みニューラルネットワーク(CNN)深部強化学習(DRL)アルゴリズムをフィールド開発最適化問題に適用することである。 近似ポリシー最適化 (PPO) アルゴリズムは2つのCNNアーキテクチャで様々な層と構成を持つ。 両ネットワークは、ハイブリッド粒子群最適化(PSO-MADS)アルゴリズムと比較して満足な結果をもたらすポリシーを得た。
  論文  参考訳（メタデータ） (2020-08-05T06:26:13Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)
• 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。