論文の概要: A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation
- arxiv url: http://arxiv.org/abs/2003.02541v2
- Date: Thu, 16 Jul 2020 11:04:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 06:42:39.457265
- Title: A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation
- Title（参考訳）: 部分領域適応のためのバランスと不確実性を考慮したアプローチ
- Authors: Jian Liang, Yunbo Wang, Dapeng Hu, Ran He, and Jiashi Feng
- Abstract要約: この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。
本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。
複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
- 参考スコア（独自算出の注目度）: 142.31610972922067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work addresses the unsupervised domain adaptation problem, especially in
the case of class labels in the target domain being only a subset of those in
the source domain. Such a partial transfer setting is realistic but challenging
and existing methods always suffer from two key problems, negative transfer and
uncertainty propagation. In this paper, we build on domain adversarial learning
and propose a novel domain adaptation method BA$^3$US with two new techniques
termed Balanced Adversarial Alignment (BAA) and Adaptive Uncertainty
Suppression (AUS), respectively. On one hand, negative transfer results in
misclassification of target samples to the classes only present in the source
domain. To address this issue, BAA pursues the balance between label
distributions across domains in a fairly simple manner. Specifically, it
randomly leverages a few source samples to augment the smaller target domain
during domain alignment so that classes in different domains are symmetric. On
the other hand, a source sample would be denoted as uncertain if there is an
incorrect class that has a relatively high prediction score, and such
uncertainty easily propagates to unlabeled target data around it during
alignment, which severely deteriorates adaptation performance. Thus we present
AUS that emphasizes uncertain samples and exploits an adaptive weighted
complement entropy objective to encourage incorrect classes to have uniform and
low prediction scores. Experimental results on multiple benchmarks demonstrate
our BA$^3$US surpasses state-of-the-arts for partial domain adaptation tasks.
Code is available at \url{https://github.com/tim-learn/BA3US}.
- Abstract（参考訳）: 本研究は、特に対象ドメインのクラスラベルがソースドメインのサブセットである場合において、教師なしのドメイン適応問題に対処する。
このような部分的な転送設定は現実的であるが困難であり、既存の手法は常に負の転送と不確実性伝播という2つの重要な問題に悩まされる。
本稿では,ドメイン逆転学習に基づく新しいドメイン適応手法 BA$^3$US を提案し,それぞれ「平衡逆転アライメント(BAA)」と「適応不確実性抑圧(AUS)」という2つの新しい手法を提案する。
一方、負の転送は、対象のサンプルをソースドメインにのみ存在するクラスに誤って分類する結果となる。
この問題に対処するため、BAAはドメイン間のラベル分布のバランスを比較的単純な方法で追求している。
具体的には、いくつかのソースサンプルをランダムに利用して、ドメインアライメント中に小さなターゲットドメインを拡大し、異なるドメインのクラスが対称になるようにする。
一方、ソースサンプルは、相対的に高い予測スコアを持つ不正確なクラスがある場合の不確かさを示し、そのような不確かさは、アライメント中に周囲のラベルのないターゲットデータに容易に伝播し、適応性能を著しく低下させる。
そこで本研究では,不確かさを強調し,適応的重み付き補足エントロピー目標を活用し,不正確なクラスが均一で低い予測スコアを持つように促す。
複数のベンチマーク実験の結果、BA$^3$USは部分的なドメイン適応タスクの最先端よりも優れていることが示された。
コードは \url{https://github.com/tim-learn/ba3us} で入手できる。
関連論文リスト
- 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) - centroIDA: Cross-Domain Class Discrepancy Minimization Based on
Accumulative Class-Centroids for Imbalanced Domain Adaptation [17.97306640457707]
IDA(centroIDA)の累積クラスセントロイドに基づくドメイン間差分最小化手法を提案する。
実験により,IDA問題,特にラベルシフトの程度が増大する中で,本手法が他のSOTA法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-21T10:35:32Z) - Heterogeneous Domain Adaptation with Positive and Unlabeled Data [7.48285579561564]
本稿では,PU-HUDA (Positive and unlabeled heterogeneous unsupervised domain adaptation) と呼ばれる新たな課題に対処する。
既存のHUDAとPU学習の単純な組み合わせは、ソースとターゲットドメイン間のラベル分布のギャップのため、PU-HUDAでは効果がない。
そこで本研究では,未ラベル対象データから有意な正の例を予測できる新しい手法PADAを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:50:18Z) - Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation
and Gradual Alignment [58.56087979262192]
Open Set Domain Adaptation (OSDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。
OSDA法の性能はドメイン内クラス不均衡とドメイン間ラベルシフトで大幅に低下する。
ラベルシフトによって生じる負の効果を軽減するために,オープンセット移動閾値推定とグラデーショナルアライメント(OMEGA)を提案する。
論文 参考訳（メタデータ） (2023-03-08T05:55:02Z) - 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) - Certainty Volume Prediction for Unsupervised Domain Adaptation [35.984559137218504]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベルなしのターゲットドメインデータを分類する問題を扱う。
特徴空間における多変量ガウス分布としての不確かさをモデル化する新しい不確実性対応領域適応構成を提案する。
提案したパイプラインを、挑戦的なUDAデータセットに基づいて評価し、最先端の結果を得る。
論文 参考訳（メタデータ） (2021-11-03T11:22:55Z) - Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。
本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。
その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
論文 参考訳（メタデータ） (2020-10-01T10:44:31Z) - Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
非教師付きドメイン適応(UDA)は、ラベル付き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際の分散不一致を低減することを目的としている。
本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
論文 参考訳（メタデータ） (2020-08-25T02:28:24Z) - Hard Class Rectification for Domain Adaptation [36.58361356407803]
ドメイン適応(DA)は、ラベルリッチドメイン(ソースドメイン)からラベルケアドメイン(ターゲットドメイン)に知識を移すことを目的としている。
本稿では,HCRPL(Hard Class Rectification Pseudo-labeling)と呼ばれる新しいフレームワークを提案する。
提案手法は,非教師付きドメイン適応(UDA)と半教師付きドメイン適応(SSDA)の両方において評価される。
論文 参考訳（メタデータ） (2020-08-08T06:21:58Z) - Partially-Shared Variational Auto-encoders for Unsupervised Domain
Adaptation with Target Shift [11.873435088539459]
本稿では,教師なしドメイン適応(UDA)の目標シフトを考慮した新しいアプローチを提案する。
提案手法は部分共有変分オートエンコーダ (PS-VAE) であり, 特徴分布マッチングの代わりにペアワイズな特徴アライメントを用いる。
PS-VAEは、ラベル関連コンテンツを保存しながら、CycleGANベースのアーキテクチャで各サンプルの変換ドメインを相互変換する。
論文 参考訳（メタデータ） (2020-01-22T06:41:31Z)
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。