論文の概要: Unsupervised Multi-Class Domain Adaptation: Theory, Algorithms, and
Practice
- arxiv url: http://arxiv.org/abs/2002.08681v2
- Date: Sun, 22 Nov 2020 09:36:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 06:22:51.107514
- Title: Unsupervised Multi-Class Domain Adaptation: Theory, Algorithms, and
Practice
- Title（参考訳）: 教師なしマルチクラスドメイン適応:理論,アルゴリズム,実践
- Authors: Yabin Zhang, Bin Deng, Hui Tang, Lei Zhang, and Kui Jia
- Abstract要約: 教師なしマルチクラスドメイン適応(マルチクラスUDA)の形式性について検討する。
ドメイン対称性ネットワーク(SymmNets)の新しいアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 41.26481166771589
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we study the formalism of unsupervised multi-class domain
adaptation (multi-class UDA), which underlies a few recent algorithms whose
learning objectives are only motivated empirically. Multi-Class Scoring
Disagreement (MCSD) divergence is presented by aggregating the absolute margin
violations in multi-class classification, and this proposed MCSD is able to
fully characterize the relations between any pair of multi-class scoring
hypotheses. By using MCSD as a measure of domain distance, we develop a new
domain adaptation bound for multi-class UDA; its data-dependent, probably
approximately correct bound is also developed that naturally suggests
adversarial learning objectives to align conditional feature distributions
across source and target domains. Consequently, an algorithmic framework of
Multi-class Domain-adversarial learning Networks (McDalNets) is developed, and
its different instantiations via surrogate learning objectives either coincide
with or resemble a few recently popular methods, thus (partially) underscoring
their practical effectiveness. Based on our identical theory for multi-class
UDA, we also introduce a new algorithm of Domain-Symmetric Networks (SymmNets),
which is featured by a novel adversarial strategy of domain confusion and
discrimination. SymmNets affords simple extensions that work equally well under
the problem settings of either closed set, partial, or open set UDA. We conduct
careful empirical studies to compare different algorithms of McDalNets and our
newly introduced SymmNets. Experiments verify our theoretical analysis and show
the efficacy of our proposed SymmNets. In addition, we have made our
implementation code publicly available.
- Abstract（参考訳）: 本稿では,学習目的が経験的にのみ動機づけられた最近のアルゴリズムの基盤となる,教師なしマルチクラスドメイン適応(マルチクラスUDA)の形式性について検討する。
マルチクラス分類における絶対マージン違反を集約することで, MCSDの偏差が示され, 提案したMCSDは, いずれかのマルチクラスのスコアリング仮説間の関係を完全に特徴づけることができる。
mcsdをドメイン間距離の尺度として用いることで、多クラスudaにバインドされた新しいドメイン適応法を開発し、そのデータ依存的、おそらくほぼ正しいバウンドも開発し、ソース領域とターゲットドメインをまたいだ条件的特徴分布を調整するために、逆学習目標を自然に提案する。
その結果,マルチクラスドメイン逆学習ネットワーク(mcdalnets)のアルゴリズムフレームワークが開発され,サロゲート学習目標による異なるインスタンス化が,最近普及した手法と一致するか,あるいは類似しているかのいずれかとなり,その実用的効果を(部分的に)強調する。
また,多クラスudaの同一理論に基づいて,新しいアルゴリズムであるドメイン対称ネットワーク(symmnets)を導入し,ドメイン混乱と識別の新たな逆戦略を特徴付ける。
SymmNetsは、クローズドセット、部分セット、オープンセット UDA のいずれかの問題設定下で同じように動作する単純な拡張を提供する。
我々は、McDalNetsと新しく導入されたSymNetsの異なるアルゴリズムを比較するために、慎重に実験研究を行う。
実験は理論解析を検証し,提案するsymmnetの有効性を示す。
さらに、実装コードを公開しました。
関連論文リスト
- MLNet: Mutual Learning Network with Neighborhood Invariance for
Universal Domain Adaptation [70.62860473259444]
ユニバーサルドメイン適応(UniDA)は実用的だが難しい問題である。
既存のUniDAメソッドは、ターゲットドメイン内のドメイン内バリエーションを見落としている問題に悩まされる可能性がある。
そこで我々は,UniDA の近傍不変性を考慮した新しい相互学習ネットワーク (MLNet) を提案する。
論文 参考訳（メタデータ） (2023-12-13T03:17:34Z) - Domain Adaptive Few-Shot Open-Set Learning [36.39622440120531]
本稿では,DA-FSOS(Domain Adaptive Few-Shot Open Set Recognition)を提案する。
我々のトレーニングアプローチは、DAFOS-NETがターゲットドメインの新しいシナリオにうまく適応できるようにします。
本稿では,Office-Home,mini-ImageNet/CUB,DomainNetデータセットに基づくDA-FSOSの3つのベンチマークを示す。
論文 参考訳（メタデータ） (2023-09-22T12:04:47Z) - Label Distribution Learning for Generalizable Multi-source Person
Re-identification [48.77206888171507]
人物再識別(Re-ID)は,映像監視システムにおいて重要な技術である。
教師付きモデルを任意の未確認領域に直接適用することは困難である。
一般化可能な多ソース人物Re-IDタスクに対処する新しいラベル分散学習法(LDL)を提案する。
論文 参考訳（メタデータ） (2022-04-12T15:59:10Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。
領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
論文 参考訳（メタデータ） (2021-06-21T18:21:09Z) - Information-theoretic regularization for Multi-source Domain Adaptation [5.444459446244819]
敵対的学習戦略は、単一ソースドメイン適応(DA)問題に対処する上で顕著なパフォーマンスを示した。
最近ではMDA(Multi-source DA)問題にも適用されている。
本稿では,マルチドメイン識別器のmdaに対する潜在的悪影響を同定し解決するための情報理論的アプローチを採用する。
論文 参考訳（メタデータ） (2021-04-04T09:11:35Z) - A Theory of Multiple-Source Adaptation with Limited Target Labeled Data [66.53679520072978]
モデル選択のアイデアに基づく新しいアルゴリズムのファミリーは,このシナリオにおいて非常に望ましい保証から恩恵を受けることを示す。
また,本アルゴリズムの実用性を示すいくつかの実験結果についても報告する。
論文 参考訳（メタデータ） (2020-07-19T19:34:48Z)
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。