論文の概要: Subdomain Adaptation with Manifolds Discrepancy Alignment
- arxiv url: http://arxiv.org/abs/2005.03229v1
- Date: Wed, 6 May 2020 04:18:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 04:49:42.273073
- Title: Subdomain Adaptation with Manifolds Discrepancy Alignment
- Title(参考訳): Manifolds Disrepancyアライメントによるサブドメイン適応
- Authors: Pengfei Wei, Yiping Ke, Xinghua Qu, Tze-Yun Leong
- Abstract要約: 各サブドメインでは2つのドメインが互いに異なる場合がある。
サブドメインを表現するために低次元多様体を用い,各多様体における局所的なデータ分布の相違を整列する。
- 参考スコア(独自算出の注目度): 19.422653437378983
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reducing domain divergence is a key step in transfer learning problems.
Existing works focus on the minimization of global domain divergence. However,
two domains may consist of several shared subdomains, and differ from each
other in each subdomain. In this paper, we take the local divergence of
subdomains into account in transfer. Specifically, we propose to use
low-dimensional manifold to represent subdomain, and align the local data
distribution discrepancy in each manifold across domains. A Manifold Maximum
Mean Discrepancy (M3D) is developed to measure the local distribution
discrepancy in each manifold. We then propose a general framework, called
Transfer with Manifolds Discrepancy Alignment (TMDA), to couple the discovery
of data manifolds with the minimization of M3D. We instantiate TMDA in the
subspace learning case considering both the linear and nonlinear mappings. We
also instantiate TMDA in the deep learning framework. Extensive experimental
studies demonstrate that TMDA is a promising method for various transfer
learning tasks.
- Abstract(参考訳): ドメインのばらつきを減らすことは、移行学習問題の鍵となるステップである。
既存の研究は、グローバルドメインの分散の最小化に焦点を当てている。
しかし、2つのドメインは複数の共有サブドメインから構成され、各サブドメインで異なる。
本稿では,転送におけるサブドメインの局所的発散を考慮に入れる。
具体的には,低次元多様体を用いてサブドメインを表現し,各多様体における局所データ分布の不一致を領域にまたがって整合させることを提案する。
多様体の局所分布差を測定するために, 多様体の最大平均離散度 (M3D) が開発された。
次に,データ多様体の発見とm3dの最小化を組み合わせるため,tmda(transfer with manifolds discrepancy alignment)と呼ばれる汎用フレームワークを提案する。
線形写像と非線形写像の両方を考慮したサブスペース学習におけるTMDAのインスタンス化を行う。
また、ディープラーニングフレームワークでTMDAをインスタンス化する。
TMDAは様々な伝達学習タスクにおいて有望な方法であることを示す。
関連論文リスト
- Unsupervised Domain Adaptation via Domain-Adaptive Diffusion [31.802163238282343]
非教師付きドメイン適応(UDA)は、ソースドメインとターゲットドメインの間に大きな分散不一致があるため、非常に難しい。
大規模なギャップをまたいでデータ分散を段階的に変換する能力を持つ拡散モデルに着想を得て,その課題に対処する拡散手法について検討する。
提案手法は, 広く使用されている3つのUDAデータセットに対して, 現在の最先端技術よりも大きなマージンを達成している。
論文 参考訳(メタデータ) (2023-08-26T14:28:18Z) - SUG: Single-dataset Unified Generalization for 3D Point Cloud
Classification [44.27324696068285]
トレーニング済みのソースモデルが直面する予期せぬ領域差を軽減するために,単一データセット統一一般化(SUG)フレームワークを提案する。
具体的には、まず、学習した表現をドメインに依存しない識別性に制約できるマルチグラニュアルサブドメインアライメント(MSA)法を設計する。
次にSDA(Sample-level Domain-Aware Attention)戦略を示し、異なるサブドメインから簡単に適応できるサンプルを選択的に強化する。
論文 参考訳(メタデータ) (2023-05-16T04:36:04Z) - Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。
本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。
本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-23T12:58:20Z) - ML-BPM: Multi-teacher Learning with Bidirectional Photometric Mixing for
Open Compound Domain Adaptation in Semantic Segmentation [78.19743899703052]
オープン化合物ドメイン適応(OCDA)は、ターゲットドメインを複数の未知の同質体の化合物とみなしている。
目的とするサブドメインに適応するために,双方向光度ミキシングを用いたマルチテキサフレームワークを提案する。
適応蒸留を行い、学生モデルを学習し、整合性正規化を適用して生徒の一般化を改善する。
論文 参考訳(メタデータ) (2022-07-19T03:30:48Z) - Dynamic Instance Domain Adaptation [109.53575039217094]
教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。
適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。
我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-03-09T20:05:54Z) - Multi-Source Unsupervised Domain Adaptation via Pseudo Target Domain [0.0]
マルチソースドメイン適応(MDA)は、複数のソースドメインからラベルのない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Pseudo Target for MDA(PTMDA)と呼ばれる新しいMDAアプローチを提案する。
PTMDAは、ソースドメインとターゲットドメインの各グループを、メトリック制約付き逆学習を用いて、グループ固有のサブ空間にマッピングする。
PTMDAは全体として、目標誤差を低減し、MDA設定における目標リスクのより優れた近似を導出できることを示す。
論文 参考訳(メタデータ) (2022-02-22T08:37:16Z) - 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) - Maximum Density Divergence for Domain Adaptation [0.0]
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。
論文 参考訳(メタデータ) (2020-04-27T07:35:06Z) - Multi-source Domain Adaptation in the Deep Learning Era: A Systematic
Survey [53.656086832255944]
マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。
MDAは学術と産業の両方で注目を集めている。
論文 参考訳(メタデータ) (2020-02-26T08:07:58Z) - 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)
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。