Fugu-MT 論文翻訳(概要): On generalization in moment-based domain adaptation

論文の概要: On generalization in moment-based domain adaptation

arxiv url: http://arxiv.org/abs/2002.08260v3
Date: Mon, 26 Jul 2021 10:31:28 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 13:08:01.435719
Title: On generalization in moment-based domain adaptation
Title（参考訳）: モーメントに基づく領域適応における一般化について
Authors: Werner Zellinger, Bernhard A Moser and Susanne Saminger-Platz
Abstract要約: ドメイン適応アルゴリズムは、訓練データが少ないターゲットドメインに対する識別モデルの誤分類リスクを最小限に抑えるように設計されている。標準手法は、ソース領域とターゲット領域における経験的確率分布間の距離測定に基づいて適応誤差を測定する。
参考スコア（独自算出の注目度）: 1.8047694351309205
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Domain adaptation algorithms are designed to minimize the misclassification risk of a discriminative model for a target domain with little training data by adapting a model from a source domain with a large amount of training data. Standard approaches measure the adaptation discrepancy based on distance measures between the empirical probability distributions in the source and target domain. In this setting, we address the problem of deriving generalization bounds under practice-oriented general conditions on the underlying probability distributions. As a result, we obtain generalization bounds for domain adaptation based on finitely many moments and smoothness conditions.
Abstract（参考訳）: ドメイン適応アルゴリズムは、ソースドメインからのモデルを大量のトレーニングデータに適応させることにより、少ないトレーニングデータでターゲットドメインの判別モデルの誤分類リスクを最小化するように設計されている。標準手法は、ソース領域とターゲット領域における経験的確率分布間の距離測定に基づいて適応誤差を測定する。本稿では,基礎となる確率分布について,実践指向の一般条件下で一般化境界を導出する問題に対処する。その結果、有限個のモーメントと滑らか性条件に基づく領域適応の一般化境界が得られる。

関連論文リスト

Constrained Maximum Cross-Domain Likelihood for Domain Generalization [14.91361835243516]
ドメインの一般化は、複数のソースドメイン上で一般化可能なモデルを学ぶことを目的としている。本稿では,異なる領域の後方分布間のKL偏差を最小限に抑える新しい領域一般化法を提案する。 Digits-DG、PACS、Office-Home、MiniDomainNetの4つの標準ベンチマークデータセットの実験は、我々のメソッドの優れたパフォーマンスを強調している。
論文参考訳（メタデータ） (2022-10-09T03:41:02Z)
Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
まず、適応性ギャップを明示的に考慮した一般化境界を確立する。本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
論文参考訳（メタデータ） (2022-08-18T06:42:49Z)
Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge [22.285156929279207]
ドメインの一般化は、目に見えないターゲットドメインでうまく機能する普遍的なモデルを学ぶことを目的としている。 We propose a novel domain generalization framework called Wasserstein Distributionally Robust Domain Generalization (WDRDG)。
論文参考訳（メタデータ） (2022-07-11T14:46:50Z)
Self-balanced Learning For Domain Generalization [64.99791119112503]
ドメインの一般化は、モデルが未知の統計を持つ対象のドメインに一般化できるように、マルチドメインのソースデータの予測モデルを学ぶことを目的としている。既存のアプローチのほとんどは、ソースデータがドメインとクラスの両方の観点からバランスよく調整されているという前提の下で開発されている。本稿では,多領域ソースデータの分布の違いによるバイアスを軽減するために,損失の重み付けを適応的に学習する自己均衡型領域一般化フレームワークを提案する。
論文参考訳（メタデータ） (2021-08-31T03:17:54Z)
Domain Conditional Predictors for Domain Adaptation [3.951376400628575]
本稿では,入力データに依存することに加えて,基礎となるデータ生成分布に対する情報を利用する条件付きモデリング手法を検討する。このようなアプローチは、現在のドメイン適応手法よりも一般的に適用可能であると論じる。
論文参考訳（メタデータ） (2021-06-25T22:15:54Z)
Model-Based Domain Generalization [96.84818110323518]
本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
論文参考訳（メタデータ） (2021-02-23T00:59:02Z)
Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文参考訳（メタデータ） (2020-10-09T15:42:35Z)
Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文参考訳（メタデータ） (2020-07-06T17:59:30Z)
Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
論文参考訳（メタデータ） (2020-07-06T17:21:24Z)
Moment-Based Domain Adaptation: Learning Bounds and Algorithms [1.827510863075184]
この論文は、機械学習の新興分野としてのドメイン適応の数学的基礎に寄与する。古典的な統計的学習とは対照的に、ドメイン適応の枠組みは、トレーニングにおける確率分布と応用設定の偏差を考慮に入れている。
論文参考訳（メタデータ） (2020-04-22T14:59:08Z)

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。