論文の概要: Cross-Domain Structure Preserving Projection for Heterogeneous Domain
Adaptation
- arxiv url: http://arxiv.org/abs/2004.12427v3
- Date: Sat, 9 Oct 2021 03:27:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 12:51:57.155657
- Title: Cross-Domain Structure Preserving Projection for Heterogeneous Domain
Adaptation
- Title（参考訳）: 異種領域適応のためのクロスドメイン構造保存プロジェクション
- Authors: Qian Wang, Toby P. Breckon
- Abstract要約: Heterogeneous Domain Adaptation (HDA)は、ソースドメインとターゲットドメインのデータが異なるモダリティを持つ転送学習問題に対処する。
伝統的なドメイン適応アルゴリズムは、ソースとターゲットサンプルの表現が同じ特徴空間にあると仮定する。
本稿では,HDAのためのCDSPP(Cross-Domain Structure Preserving Projection)アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 23.18781318003242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous Domain Adaptation (HDA) addresses the transfer learning
problems where data from the source and target domains are of different
modalities (e.g., texts and images) or feature dimensions (e.g., features
extracted with different methods). It is useful for multi-modal data analysis.
Traditional domain adaptation algorithms assume that the representations of
source and target samples reside in the same feature space, hence are likely to
fail in solving the heterogeneous domain adaptation problem. Contemporary
state-of-the-art HDA approaches are usually composed of complex optimization
objectives for favourable performance and are therefore computationally
expensive and less generalizable. To address these issues, we propose a novel
Cross-Domain Structure Preserving Projection (CDSPP) algorithm for HDA. As an
extension of the classic LPP to heterogeneous domains, CDSPP aims to learn
domain-specific projections to map sample features from source and target
domains into a common subspace such that the class consistency is preserved and
data distributions are sufficiently aligned. CDSPP is simple and has
deterministic solutions by solving a generalized eigenvalue problem. It is
naturally suitable for supervised HDA but has also been extended for
semi-supervised HDA where the unlabelled target domain samples are available.
Extensive experiments have been conducted on commonly used benchmark datasets
(i.e. Office-Caltech, Multilingual Reuters Collection, NUS-WIDE-ImageNet) for
HDA as well as the Office-Home dataset firstly introduced for HDA by ourselves
due to its significantly larger number of classes than the existing ones (65 vs
10, 6 and 8). The experimental results of both supervised and semi-supervised
HDA demonstrate the superior performance of our proposed method against
contemporary state-of-the-art methods.
- Abstract（参考訳）: Heterogeneous Domain Adaptation (HDA) は、ソースとターゲットドメインのデータが異なるモダリティ(テキストや画像など)または特徴次元(例えば、異なる方法で抽出された特徴)を持つ転送学習問題に対処する。
マルチモーダルデータ解析に有用である。
伝統的な領域適応アルゴリズムは、ソースとターゲットのサンプルの表現が同じ特徴空間に存在すると仮定するので、異種領域適応問題の解決に失敗する可能性がある。
現代の最先端HDAアプローチは、通常、好ましい性能のために複雑な最適化目標で構成されており、計算コストが高く、一般化しにくい。
これらの問題に対処するため,我々はhdaのための新しいクロスドメイン構造保存プロジェクション(cdspp)アルゴリズムを提案する。
古典的なLPPから異種領域への拡張として、CDSPPは、ソースドメインとターゲットドメインからサンプル特徴を共通部分空間にマッピングし、クラス一貫性を保ち、データ分布を十分に整列させることを目的としている。
CDSPPは単純で、一般化固有値問題を解くことによって決定論的解を持つ。
HDAには自然に適しているが、未ラベルのターゲットドメインサンプルが利用できる半教師付きHDAにも拡張されている。
HDA用の一般的なベンチマークデータセット(Office-Caltech、Multilingual Reuters Collection、NUS-WIDE-ImageNet)と、既存のもの(65対10,6,8)よりもはるかに多くのクラスがあるため、HDA用に最初に導入されたOffice-Homeデータセットで大規模な実験が行われた。
教師付きHDAと半教師付きHDAの両方の実験結果から,現代の最先端手法に対する提案手法の優れた性能を示す。
関連論文リスト
- Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling [4.33404822906643]
半教師付きドメイン適応法は、ソースラベル付きドメインからの情報を利用して、少ないラベル付きターゲットドメインを一般化する。
このような設定は半教師付き不均質ドメイン適応(SSHDA)と表記される。
SHEDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)は,対象ドメインの学習に適したエンドツーエンドのニューラルネットワークフレームワークである。
論文 参考訳（メタデータ） (2024-06-20T08:02:49Z) - Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。
AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。
その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
論文 参考訳（メタデータ） (2022-08-03T11:51:11Z) - 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) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳（メタデータ） (2022-04-06T09:13:25Z) - Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。
オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
論文 参考訳（メタデータ） (2022-03-10T11:14:18Z) - Seeking Similarities over Differences: Similarity-based Domain Alignment
for Adaptive Object Detection [86.98573522894961]
本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。
具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。
類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
論文 参考訳（メタデータ） (2021-10-04T13:09:56Z) - 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) - Heuristic Domain Adaptation [105.59792285047536]
Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。
Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
論文 参考訳（メタデータ） (2020-11-30T04:21:35Z) - Simultaneous Semantic Alignment Network for Heterogeneous Domain
Adaptation [67.37606333193357]
本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。
対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。
テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
論文 参考訳（メタデータ） (2020-08-04T16:20:37Z) - Discrepancy Minimization in Domain Generalization with Generative
Nearest Neighbors [13.047289562445242]
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。
シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。
本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
論文 参考訳（メタデータ） (2020-07-28T14:54:25Z)
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。