論文の概要: Mutual Learning Network for Multi-Source Domain Adaptation
- arxiv url: http://arxiv.org/abs/2003.12944v1
- Date: Sun, 29 Mar 2020 04:31:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 13:13:18.439103
- Title: Mutual Learning Network for Multi-Source Domain Adaptation
- Title（参考訳）: マルチソースドメイン適応のための相互学習ネットワーク
- Authors: Zhenpeng Li, Zhen Zhao, Yuhong Guo, Haifeng Shen, Jieping Ye
- Abstract要約: ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。
相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。
提案手法は, 比較手法より優れ, 最先端の性能を実現する。
- 参考スコア（独自算出の注目度）: 73.25974539191553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early Unsupervised Domain Adaptation (UDA) methods have mostly assumed the
setting of a single source domain, where all the labeled source data come from
the same distribution. However, in practice the labeled data can come from
multiple source domains with different distributions. In such scenarios, the
single source domain adaptation methods can fail due to the existence of domain
shifts across different source domains and multi-source domain adaptation
methods need to be designed. In this paper, we propose a novel multi-source
domain adaptation method, Mutual Learning Network for Multiple Source Domain
Adaptation (ML-MSDA). Under the framework of mutual learning, the proposed
method pairs the target domain with each single source domain to train a
conditional adversarial domain adaptation network as a branch network, while
taking the pair of the combined multi-source domain and target domain to train
a conditional adversarial adaptive network as the guidance network. The
multiple branch networks are aligned with the guidance network to achieve
mutual learning by enforcing JS-divergence regularization over their prediction
probability distributions on the corresponding target data. We conduct
extensive experiments on multiple multi-source domain adaptation benchmark
datasets. The results show the proposed ML-MSDA method outperforms the
comparison methods and achieves the state-of-the-art performance.
- Abstract（参考訳）: 初期のUnsupervised Domain Adaptation (UDA) メソッドは、主に、ラベル付きソースデータが同じディストリビューションから来る、単一のソースドメインの設定を前提としています。
しかし、実際にはラベル付きデータは、異なる分布を持つ複数のソースドメインから得ることができる。
このようなシナリオでは、異なるソースドメインにまたがるドメインシフトが存在するため、単一ソースドメイン適応メソッドがフェールし、マルチソースドメイン適応メソッドを設計する必要がある。
本稿では,マルチソースドメイン適応方式であるMultual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)を提案する。
相互学習の枠組みに基づき,提案手法は,対象ドメインを単一ソースドメインにペアリングして,条件付き対向ドメイン適応ネットワークを分岐ネットワークとしてトレーニングすると同時に,条件付き対向ドメイン適応ネットワークを誘導ネットワークとしてトレーニングする。
複数の分岐ネットワークを誘導ネットワークにアライメントし、対応する目標データに対する予測確率分布よりもjs分割正規化を強制することにより相互学習を実現する。
複数のマルチソースドメイン適応ベンチマークデータセットについて広範な実験を行った。
その結果,ML-MSDA法は比較手法より優れ,最先端性能が得られた。
関連論文リスト
- Aligning Domain-specific Distribution and Classifier for Cross-domain
Classification from Multiple Sources [25.204055330850164]
教師なしドメイン適応のための2つのアライメントステージを持つ新しいフレームワークを提案する。
本手法は画像分類のための一般的なベンチマークデータセットにおいて顕著な結果が得られる。
論文 参考訳（メタデータ） (2022-01-04T06:35:11Z) - Multi-Source domain adaptation via supervised contrastive learning and
confident consistency regularization [0.0]
Multi-Source Unsupervised Domain Adaptation (multi-source UDA)は、複数のラベル付きソースドメインからモデルを学習することを目的としている。
本稿では,この制限に対処するマルチソースUDAに対して,コントラスト型マルチソースドメイン適応(CMSDA)を提案する。
論文 参考訳（メタデータ） (2021-06-30T14:39:15Z) - Domain Consistency Regularization for Unsupervised Multi-source Domain
Adaptive Classification [57.92800886719651]
近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。
MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。
本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-16T07:29:27Z) - Aggregating From Multiple Target-Shifted Sources [7.644958631142882]
マルチソースドメイン適応は、複数のタスクからの知識を活用して関連するターゲットドメインを予測することを目的としている。
本稿では,近年のソース選択アプローチが失敗している異なるラベル分布のソースドメインを集約する問題を分析した。
提案アルゴリズムは従来の手法とは2つの重要な方法で異なる: モデルは主に境界分布ではなくセマンティック条件分布の類似性を通じて複数のソースを集約する。
論文 参考訳（メタデータ） (2021-05-09T23:25:29Z) - Multi-Source Domain Adaptation with Collaborative Learning for Semantic
Segmentation [32.95273803359897]
マルチソース非監視ドメイン適応(MSDA)は、複数のラベル付きソースドメインで訓練されたモデルをラベル付きターゲットドメインに適応することを目的とする。
セマンティックセグメンテーションのための協調学習に基づく新しいマルチソースドメイン適応フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-08T12:51:42Z) - Curriculum CycleGAN for Textual Sentiment Domain Adaptation with
Multiple Sources [68.31273535702256]
我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。
C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。
3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
論文 参考訳（メタデータ） (2020-11-17T14:50:55Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - MADAN: Multi-source Adversarial Domain Aggregation Network for Domain
Adaptation [58.38749495295393]
ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。
近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。
これらの課題に対処するための新しいMDAフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T21:22:00Z) - Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。
複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。
4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2020-01-12T08:37:42Z)
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。