論文の概要: A Label Proportions Estimation Technique for Adversarial Domain Adaptation in Text Classification

• arxiv url: http://arxiv.org/abs/2003.07444v3
• Date: Thu, 26 Mar 2020 08:13:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 02:38:25.100902
• Title: A Label Proportions Estimation Technique for Adversarial Domain Adaptation in Text Classification
• Title（参考訳）: テキスト分類における逆領域適応のためのラベル比例推定手法
• Authors: Zhuohao Chen, Singla Karan, David C. Atkins, Zac E Imel, Shrikanth Narayanan
• Abstract要約: 本稿では,ラベル比例推定(DAN-LPE)フレームワークを用いたドメイン対向ネットワークを提案する。 DAN−LPEは、同時にドメイン敵ネットを訓練し、ソースドメインとターゲットドメインの予測との混同によるラベル比の推定を行う。 実験により, DAN-LPEは, 対象ラベル分布を適切に推定し, ラベルシフトを低減し, 分類性能を向上させる。
• 参考スコア（独自算出の注目度）: 31.788796579355274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many text classification tasks are domain-dependent, and various domain adaptation approaches have been proposed to predict unlabeled data in a new domain. Domain-adversarial neural networks (DANN) and their variants have been used widely recently and have achieved promising results for this problem. However, most of these approaches assume that the label proportions of the source and target domains are similar, which rarely holds in most real-world scenarios. Sometimes the label shift can be large and the DANN fails to learn domain-invariant features. In this study, we focus on unsupervised domain adaptation of text classification with label shift and introduce a domain adversarial network with label proportions estimation (DAN-LPE) framework. The DAN-LPE simultaneously trains a domain adversarial net and processes label proportions estimation by the confusion of the source domain and the predictions of the target domain. Experiments show the DAN-LPE achieves a good estimate of the target label distributions and reduces the label shift to improve the classification performance.
• Abstract（参考訳）: 多くのテキスト分類タスクはドメインに依存しており、新しいドメインでラベルなしデータを予測するために様々なドメイン適応アプローチが提案されている。 domain-adversarial neural network (dann)とその変種は近年広く使われており、この問題に有望な結果をもたらしている。 しかしながら、これらのアプローチの多くは、ソースとターゲットドメインのラベル比率が似ていると仮定しており、ほとんどの実世界のシナリオではまれである。 時にはラベルシフトが大きくなり、DANNはドメイン不変の機能を学ぶのに失敗することがある。 本研究では,ラベルシフトを伴うテキスト分類の教師なしドメイン適応に着目し,ラベル比例推定(dan-lpe)フレームワークを用いたドメイン逆ネットワークを提案する。 DAN−LPEは、同時にドメイン敵ネットを訓練し、ソースドメインとターゲットドメインの予測との混同によるラベル比の推定を行う。 実験により, DAN-LPEは対象ラベルの分布を適切に推定し, ラベルシフトを低減し, 分類性能を向上させる。

関連論文リスト

• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• Discovering Domain Disentanglement for Generalized Multi-source Domain Adaptation [48.02978226737235]
  典型的なマルチソースドメイン適応(MSDA)アプローチは、ラベル付きソースドメインから学習した知識を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る。 本稿では、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立性を奨励する変動型ドメイン・アンタングルメント(VDD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-11T04:33:08Z)
• Preserving Semantic Consistency in Unsupervised Domain Adaptation Using Generative Adversarial Networks [33.84004077585957]
  SCGAN (End-to-end novel consistent generation adversarial Network) を提案する。 このネットワークは、機能レベルでセマンティック情報をキャプチャすることで、ソースからターゲットドメインマッチングを実現できます。 本稿では,教師なしドメイン適応設定における最先端性能を超える提案手法の頑健性を示す。
  論文  参考訳（メタデータ） (2021-04-28T12:23:30Z)
• 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)
• 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)
• Adversarial Network with Multiple Classifiers for Open Set Domain Adaptation [9.251407403582501]
  本稿では、対象ドメインがプライベート(未知クラス)ラベル空間と共有(未知クラス)ラベル空間の両方を持つようなオープンセットドメイン適応設定のタイプに焦点を当てる。 分布整合領域適応法はそのような設定では不十分である。 本稿では,複数の補助分類器を用いた新しい対向領域適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-07-01T11:23:07Z)
• Domain Adaptation and Image Classification via Deep Conditional Adaptation Network [26.09932710494144]
  教師なしドメイン適応は、ソースドメインでトレーニングされた教師付きモデルをラベルなしのターゲットドメインに一般化することを目的としている。 特徴空間のマージ分布アライメントは、ソースとターゲットのドメイン間のドメインの差を減らすために広く用いられている。 本稿では,特徴空間の条件分布アライメントに基づく非教師なし領域適応手法であるDeep Conditional Adaptation Network (DCAN)を提案する。
  論文  参考訳（メタデータ） (2020-06-14T02:56:01Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)

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。