Fugu-MT 論文翻訳(概要): Unsupervised Adversarial Domain Adaptation for Implicit Discourse Relation Classification

論文の概要: Unsupervised Adversarial Domain Adaptation for Implicit Discourse Relation Classification

arxiv url: http://arxiv.org/abs/2003.02244v2
Date: Wed, 15 Apr 2020 20:32:03 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 13:08:45.661484
Title: Unsupervised Adversarial Domain Adaptation for Implicit Discourse Relation Classification
Title（参考訳）: 暗黙の談話関係分類のための教師なし反転領域適応
Authors: Hsin-Ping Huang, Junyi Jessy Li
Abstract要約: 暗黙的な関係のためのトレーニングデータが不足している状況に対処し、明示的な関係からドメイン適応を活用する。本稿では、再構成コンポーネントを備えた教師なし対向ドメイン適応ネットワークを提案する。
参考スコア（独自算出の注目度）: 32.552174647164996
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Implicit discourse relations are not only more challenging to classify, but also to annotate, than their explicit counterparts. We tackle situations where training data for implicit relations are lacking, and exploit domain adaptation from explicit relations (Ji et al., 2015). We present an unsupervised adversarial domain adaptive network equipped with a reconstruction component. Our system outperforms prior works and other adversarial benchmarks for unsupervised domain adaptation. Additionally, we extend our system to take advantage of labeled data if some are available.
Abstract（参考訳）: 暗黙的な談話の関係は、それらの明示的な関係よりも分類が難しいだけでなく、注釈も難しい。暗黙関係のためのトレーニングデータが不足している状況に対処し、明示的関係からドメイン適応を活用する(Ji et al., 2015)。本稿では、再構成コンポーネントを備えた教師なし対向ドメイン適応ネットワークを提案する。我々のシステムは、教師なしドメイン適応のための先行研究やその他の敵ベンチマークよりも優れています。さらに、利用可能であればラベル付きデータを活用できるようにシステムを拡張します。

関連論文リスト

Contrast and Clustering: Learning Neighborhood Pair Representation for Source-free Domain Adaptation [6.859567406332814]
我々は、ソースドメインデータが利用できず、ターゲットドメインデータがラベル付けされていないような、より実用的で困難な設定を考えます。具体的には、対照的な学習の観点から、ドメインの不一致の問題に対処する。私たちは、VisDA、Office-Home、Office-31の3つの一般的なベンチマークで、慎重にアブレーション研究と広範な実験を行います。
論文参考訳（メタデータ） (2023-01-31T05:51:05Z)
Trade-off between reconstruction loss and feature alignment for domain generalization [30.459247038765568]
ドメイン一般化(Domain Generalization、DG)は、いくつかの見知らぬ領域で学習モデルを訓練し、その後、これらの事前学習されたモデルを他の未知の(未知だが関連する)領域に適用することを目的とした、伝達学習の分野である。未確認ドメインのデータとラベルの両方がトレーニング時に利用できないDGの困難な設定に対処するために、最も一般的なアプローチは、ドメイン不変の表現機能に基づいて分類器を設計することである。一般的な信念とは対照的に、DGでは不変表現のみに基づく分類器の設計は必要だが不十分であることを示す。
論文参考訳（メタデータ） (2022-10-26T19:40:25Z)
Feed-Forward Latent Domain Adaptation [17.71179872529747]
本研究では,資源制約されたエッジデバイスが事前学習したモデルをローカルなデータ分布に適応させることのできる,新しい高度に実践的な問題設定について検討する。エッジデバイスの制限を考慮すると、バックプロパゲーションを使わず、ソースデータにアクセスせずに、事前訓練されたモデルのみを使用し、フィードフォワード方式で適応することを目指している。我々の解決策は、混合関連ターゲットデータセットを埋め込み、クロスアテンションを用いてターゲットサンプルに対する推論を動的に適応できるネットワークをメタラーニングすることである。
論文参考訳（メタデータ） (2022-07-15T17:37:42Z)
Connect, Not Collapse: Explaining Contrastive Learning for Unsupervised Domain Adaptation [88.5448806952394]
我々は、対象ドメインのラベル付きデータと対象ドメインのラベルなしデータを用いて、対象ドメインの分類器を学習する、教師なしドメイン適応(UDA)を考える。ラベル付きソースとターゲットデータの特徴を学習し,ラベル付きソースデータに微調整を行うコントラスト事前学習は,強いUDA手法と競合することを示す。
論文参考訳（メタデータ） (2022-04-01T16:56:26Z)
Leveraging Expert Guided Adversarial Augmentation For Improving Generalization in Named Entity Recognition [50.85774164546487]
名前付きエンティティ認識(NER)システムは、しばしば分散データに対して優れた性能を示すが、シフトした分布から引き出された例では性能が良くない。本稿では、専門家誘導型を利用してエンティティトークンとその周辺状況を変更することにより、そのエンティティタイプを敵攻撃として変更することを提案する。その結果、2003年のCoNLLで訓練された最先端のNERシステムは、我々の挑戦的なセットで劇的に性能を低下させることがわかった。
論文参考訳（メタデータ） (2022-03-21T01:21:12Z)
Lifelong Unsupervised Domain Adaptive Person Re-identification with Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文参考訳（メタデータ） (2021-12-13T13:19:45Z)
Joint Distribution Alignment via Adversarial Learning for Domain Adaptive Object Detection [11.262560426527818]
教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
論文参考訳（メタデータ） (2021-09-19T00:27:08Z)
Unsupervised domain adaptation with non-stochastic missing data [0.6608945629704323]
対象領域に欠落するデータが存在する場合の分類問題に対する教師なし領域適応(UDA)について検討する。命令はドメイン不変の潜在空間で実行され、完全なソースドメインからの間接的な監視を利用する。データセットの適応、分類、計算を共同で行う利点を示す。
論文参考訳（メタデータ） (2021-09-16T06:37:07Z)
Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文参考訳（メタデータ） (2021-05-05T11:55:53Z)
Learning Task-oriented Disentangled Representations for Unsupervised Domain Adaptation [165.61511788237485]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。 UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
論文参考訳（メタデータ） (2020-07-27T01:21:18Z)
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。