論文の概要: Class Conditional Alignment for Partial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2003.06722v1
• Date: Sat, 14 Mar 2020 23:51:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 20:31:06.070643
• Title: Class Conditional Alignment for Partial Domain Adaptation
• Title（参考訳）: 部分領域適応のためのクラス条件アライメント
• Authors: Mohsen Kheirandishfard, Fariba Zohrizadeh, Farhad Kamangar
• Abstract要約: アドリア適応モデルは、ラベル付きソースデータセットからラベルなしターゲットデータセットへの知識の転送に向けて大きな進歩を見せている。 PDAは、ソースドメインが広く多様なシナリオを調査し、ターゲットラベル空間はソースラベル空間のサブセットである。 PDAのためのマルチクラス対向アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 10.506584969668792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial adaptation models have demonstrated significant progress towards transferring knowledge from a labeled source dataset to an unlabeled target dataset. Partial domain adaptation (PDA) investigates the scenarios in which the source domain is large and diverse, and the target label space is a subset of the source label space. The main purpose of PDA is to identify the shared classes between the domains and promote learning transferable knowledge from these classes. In this paper, we propose a multi-class adversarial architecture for PDA. The proposed approach jointly aligns the marginal and class-conditional distributions in the shared label space by minimaxing a novel multi-class adversarial loss function. Furthermore, we incorporate effective regularization terms to encourage selecting the most relevant subset of source domain classes. In the absence of target labels, the proposed approach is able to effectively learn domain-invariant feature representations, which in turn can enhance the classification performance in the target domain. Comprehensive experiments on three benchmark datasets Office-31, Office-Home, and Caltech-Office corroborate the effectiveness of the proposed approach in addressing different partial transfer learning tasks.
• Abstract（参考訳）: ラベル付きソースデータセットからラベルなしターゲットデータセットへの知識の転送に向けて、敵対的適応モデルが大きな進歩を見せている。 部分的ドメイン適応(PDA)は、ソースドメインが広く多様なシナリオを調査し、ターゲットラベル空間はソースラベル空間のサブセットである。 PDAの主な目的は、ドメイン間の共有クラスを特定し、これらのクラスから学習可能な知識を促進することである。 本稿では,PDAのためのマルチクラス対逆アーキテクチャを提案する。 提案手法は,新しいマルチクラス逆損失関数を最小化することにより,共有ラベル空間における限界分布とクラス条件分布を協調的に調整する。 さらに、有効な正規化用語を組み込んで、ソースドメインクラスの最も関連性の高いサブセットの選択を促す。 対象ラベルが存在しない場合、提案手法はドメイン不変な特徴表現を効果的に学習することができ、それによって対象領域の分類性能が向上する。 office-31、office-home、caltech-officeの3つのベンチマークデータセットに関する包括的な実験は、異なる部分転送学習タスクに対処するための提案手法の有効性を裏付けている。

関連論文リスト

• Reducing Source-Private Bias in Extreme Universal Domain Adaptation [11.875619863954238]
  Universal Domain Adaptation (UniDA)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ことを目的としている。 我々は、ソースドメインが重複するクラスよりもはるかに重複しないクラスを持つ場合、最先端のメソッドが苦労していることを示す。 対象データの構造を保存するために,自己教師付き学習を提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:51:37Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中の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知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• 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)
• 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。