論文の概要: Maximum Density Divergence for Domain Adaptation
- arxiv url: http://arxiv.org/abs/2004.12615v1
- Date: Mon, 27 Apr 2020 07:35:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 04:19:14.651799
- Title: Maximum Density Divergence for Domain Adaptation
- Title(参考訳): 領域適応のための最大密度発散
- Authors: Li Jingjing, Chen Erpeng, Ding Zhengming, Zhu Lei, Lu Ke, Shen Heng
Tao
- Abstract要約: 教師なしドメイン適応は、十分にラベル付けされたソースドメインからラベル付けされていないターゲットドメインへ知識を転送する問題に対処する。
本稿では,敵対的学習とメートル法学習の両方の利点を享受するATM(Adversarial Tight Match)というドメイン適応手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation addresses the problem of transferring
knowledge from a well-labeled source domain to an unlabeled target domain where
the two domains have distinctive data distributions. Thus, the essence of
domain adaptation is to mitigate the distribution divergence between the two
domains. The state-of-the-art methods practice this very idea by either
conducting adversarial training or minimizing a metric which defines the
distribution gaps. In this paper, we propose a new domain adaptation method
named Adversarial Tight Match (ATM) which enjoys the benefits of both
adversarial training and metric learning. Specifically, at first, we propose a
novel distance loss, named Maximum Density Divergence (MDD), to quantify the
distribution divergence. MDD minimizes the inter-domain divergence ("match" in
ATM) and maximizes the intra-class density ("tight" in ATM). Then, to address
the equilibrium challenge issue in adversarial domain adaptation, we consider
leveraging the proposed MDD into adversarial domain adaptation framework. At
last, we tailor the proposed MDD as a practical learning loss and report our
ATM. Both empirical evaluation and theoretical analysis are reported to verify
the effectiveness of the proposed method. The experimental results on four
benchmarks, both classical and large-scale, show that our method is able to
achieve new state-of-the-art performance on most evaluations. Codes and
datasets used in this paper are available at {\it github.com/lijin118/ATM}.
- Abstract(参考訳): 教師なしドメイン適応は、よくラベルされたソースドメインから2つのドメインに固有のデータ分布がある未ラベルのターゲットドメインに知識を転送する問題に対処する。
したがって、領域適応の本質は2つの領域間の分布のばらつきを軽減することである。
最先端の手法は、敵の訓練を行うか、分布ギャップを定義する計量を最小化することによって、この考え方を実践する。
本稿では,敵対的学習とメートル法学習の両方の利点を享受するATM(Adversarial Tight Match)というドメイン適応手法を提案する。
具体的には,まず,分布の発散を定量化するmdd(maximum density divergence)という新しい距離損失を提案する。
MDDはドメイン間の分岐(ATMではマッチ)を最小限に抑え、クラス内の密度(ATMではタイト)を最大化する。
そこで,敵領域適応における平衡問題に対処するために,提案したMDDを敵領域適応フレームワークに活用することを検討する。
最終的に、提案したMDDを実用的な学習損失として調整し、ATMを報告する。
実験的評価と理論的解析の両方を報告し,提案手法の有効性を検証した。
古典的および大規模の4つのベンチマークによる実験結果から,本手法は,ほとんどの評価において,新たな最先端性能を実現することができることが示された。
本論文で使用されるコードとデータセットは, {\it github.com/lijin118/ATM} で公開されている。
関連論文リスト
- Domain Adaptation via Rebalanced Sub-domain Alignment [22.68115322836635]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインから関連するラベル付きターゲットドメインへ知識を転送する手法である。
過去に多くのUDA手法が成功したが、ソースとターゲットドメインは同一のクラスラベルの分布を持つ必要があると仮定することが多い。
本稿では、ソースとターゲットサブドメインを整列させて、ソース分類誤差を重み付けする新しい一般化法を提案する。
論文 参考訳(メタデータ) (2023-02-03T21:30:40Z) - Unsupervised Domain Adaptation Based on the Predictive Uncertainty of
Models [1.6498361958317636]
非教師付きドメイン適応(UDA)は、ソースドメインからの分散シフトの下で、ターゲットドメインの予測性能を改善することを目的としている。
ドメインの発散を最小限に抑えるドメイン不変の特徴を学習する新しいUDA法を提案する。
論文 参考訳(メタデータ) (2022-11-16T12:23:32Z) - Constrained Maximum Cross-Domain Likelihood for Domain Generalization [14.91361835243516]
ドメインの一般化は、複数のソースドメイン上で一般化可能なモデルを学ぶことを目的としている。
本稿では,異なる領域の後方分布間のKL偏差を最小限に抑える新しい領域一般化法を提案する。
Digits-DG、PACS、Office-Home、MiniDomainNetの4つの標準ベンチマークデータセットの実験は、我々のメソッドの優れたパフォーマンスを強調している。
論文 参考訳(メタデータ) (2022-10-09T03:41:02Z) - Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
まず、適応性ギャップを明示的に考慮した一般化境界を確立する。
本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。
もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
論文 参考訳(メタデータ) (2022-08-18T06:42:49Z) - 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) - Semi-Supervised Adversarial Discriminative Domain Adaptation [18.15464889789663]
ドメイン適応は、ラベル付きデータの欠如を処理できる強力なディープニューラルネットワークをトレーニングする潜在的な方法である。
本稿では,SADDA (Semi-Supervised Adversarial Discriminative Domain Adaptation) と呼ばれる改良された対向領域適応法を提案する。
論文 参考訳(メタデータ) (2021-09-27T12:52:50Z) - Contrastive Learning and Self-Training for Unsupervised Domain
Adaptation in Semantic Segmentation [71.77083272602525]
UDAは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効率的な知識伝達を試みている。
本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。
提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文 参考訳(メタデータ) (2021-05-05T11:55:53Z) - Rethink Maximum Mean Discrepancy for Domain Adaptation [77.2560592127872]
本論文は,(1)最大平均距離の最小化は,それぞれソースとクラス内距離の最大化に等しいが,その差を暗黙の重みと共同で最小化し,特徴判別性は低下する,という2つの本質的な事実を理論的に証明する。
いくつかのベンチマークデータセットの実験は、理論的な結果の有効性を証明しただけでなく、我々のアプローチが比較した最先端手法よりも大幅に向上できることを実証した。
論文 参考訳(メタデータ) (2020-07-01T18:25:10Z) - Rethinking Distributional Matching Based Domain Adaptation [111.15106414932413]
ドメイン適応(DA)は、ラベル付きソースドメインでトレーニングされた予測モデルをラベル付きターゲットドメインに転送するテクニックである。
最も一般的なDAアルゴリズムは、分散マッチング(DM)に基づいている。
本稿では,まずDMに基づく手法の限界を体系的に分析し,さらに現実的なドメインシフトを持つ新しいベンチマークを構築する。
論文 参考訳(メタデータ) (2020-06-23T21:55:14Z) - A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。
本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。
複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
論文 参考訳(メタデータ) (2020-03-05T11:37:06Z)
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。