論文の概要: Supervised Domain Adaptation using Graph Embedding

• arxiv url: http://arxiv.org/abs/2003.04063v2
• Date: Tue, 8 Sep 2020 09:35:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 08:08:20.932445
• Title: Supervised Domain Adaptation using Graph Embedding
• Title（参考訳）: グラフ埋め込みを用いた教師付き領域適応
• Authors: Lukas Hedegaard Morsing, Omar Ali Sheikh-Omar and Alexandros Iosifidis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 86.3361797111839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Getting deep convolutional neural networks to perform well requires a large amount of training data. When the available labelled data is small, it is often beneficial to use transfer learning to leverage a related larger dataset (source) in order to improve the performance on the small dataset (target). Among the transfer learning approaches, domain adaptation methods assume that distributions between the two domains are shifted and attempt to realign them. In this paper, we consider the domain adaptation problem from the perspective of dimensionality reduction and propose a generic framework based on graph embedding. Instead of solving the generalised eigenvalue problem, we formulate the graph-preserving criterion as a loss in the neural network and learn a domain-invariant feature transformation in an end-to-end fashion. We show that the proposed approach leads to a powerful Domain Adaptation framework; a simple LDA-inspired instantiation of the framework leads to state-of-the-art performance on two of the most widely used Domain Adaptation benchmarks, Office31 and MNIST to USPS datasets.
• Abstract（参考訳）: 深い畳み込みニューラルネットワークをうまく機能させるためには、大量のトレーニングデータが必要です。 利用可能なラベル付きデータが小さい場合、転送学習を使用して関連するより大きなデータセット(ソース)を活用して、小さなデータセット(ターゲット)のパフォーマンスを改善することは、しばしば有益である。 移行学習手法の中で、ドメイン適応法は2つのドメイン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。 本稿では,次元性低減の観点からの領域適応問題を考えるとともに,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。 一般化固有値問題を解く代わりに、ニューラルネットワークの損失としてグラフ保存基準を定式化し、エンドツーエンドでドメイン不変の特徴変換を学ぶ。 シンプルなLDAにインスパイアされたフレームワークのインスタンス化は、最も広く使われている2つのドメイン適応ベンチマークであるOffice31とMNISTのUSPSデータセットに対する最先端のパフォーマンスをもたらす。

関連論文リスト

• AGLP: A Graph Learning Perspective for Semi-supervised Domain Adaptation [13.472532378889264]
  半教師付きドメイン適応(SSDA)において、このモデルは、部分的にラベル付けされたターゲットドメインデータと大量のラベル付けされたソースドメインデータを活用することを目的としている。 本稿では,半教師付きドメイン適応のためのグラフ学習視点(AGLP)を提案する。 グラフ畳み込みネットワークをインスタンスグラフに適用することにより,重み付きグラフエッジに沿って構造情報を伝搬することができる。
  論文  参考訳（メタデータ） (2024-11-20T09:41:41Z)
• Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
  従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。 このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。 我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-07T04:11:25Z)
• Domain Adaptation Principal Component Analysis: base linear method for learning with out-of-distribution data [55.41644538483948]
  ドメイン適応は現代の機械学習において一般的なパラダイムである。 ドメイン適応主成分分析(DAPCA)という手法を提案する。 DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
  論文  参考訳（メタデータ） (2022-08-28T21:10:56Z)
• 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)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Domain Adaptation in LiDAR Semantic Segmentation by Aligning Class Distributions [9.581605678437032]
  この研究は、LiDARセマンティックセグメンテーションモデルに対する教師なしドメイン適応の問題に対処する。 我々のアプローチは、現在の最先端のアプローチの上に新しいアイデアを結合し、新しい最先端の成果をもたらす。
  論文  参考訳（メタデータ） (2020-10-23T08:52:15Z)
• Learning Domain-invariant Graph for Adaptive Semi-supervised Domain Adaptation with Few Labeled Source Samples [65.55521019202557]
  ドメイン適応は、ソースドメインからモデルを一般化して、関連するが異なるターゲットドメインのタスクに取り組むことを目的としています。 従来のドメイン適応アルゴリズムは、事前知識として扱われる十分なラベル付きデータがソースドメインで利用できると仮定する。 少数のラベル付きソースサンプルを用いたドメイン適応のためのドメイン不変グラフ学習(DGL)手法を提案する。
  論文  参考訳（メタデータ） (2020-08-21T08:13:25Z)
• Sequential Domain Adaptation through Elastic Weight Consolidation for Sentiment Analysis [3.1473798197405944]
  我々はSDA(Sequential Domain Adaptation)というモデルに依存しないフレームワークを提案する。 提案手法は,CNNのようなシンプルなアーキテクチャが,感情分析(SA)の領域適応において,複雑な最先端モデルより優れていることを示す。 さらに、ソースドメインのより難しい第1次反計算機的順序付けの有効性が最大性能に繋がることを示した。
  論文  参考訳（メタデータ） (2020-07-02T15:21:56Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。