論文の概要: Sparsely-Labeled Source Assisted Domain Adaptation

• arxiv url: http://arxiv.org/abs/2005.04111v1
• Date: Fri, 8 May 2020 15:37:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 11:57:17.142676
• Title: Sparsely-Labeled Source Assisted Domain Adaptation
• Title（参考訳）: スパースラベルソースによるドメイン適応支援
• Authors: Wei Wang, Zhihui Wang, Yuankai Xiang, Jing Sun, Haojie Li, Fuming Sun, Zhengming Ding
• Abstract要約: 本稿では,Sparsely-Labeled Source Assisted Domain Adaptation (SLSA-DA)アルゴリズムを提案する。 ラベル不足の問題により、ソースドメインとターゲットドメインの両方で投影されたクラスタリングが行われる。
• 参考スコア（独自算出の注目度）: 64.75698236688729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Adaptation (DA) aims to generalize the classifier learned from the source domain to the target domain. Existing DA methods usually assume that rich labels could be available in the source domain. However, there are usually a large number of unlabeled data but only a few labeled data in the source domain, and how to transfer knowledge from this sparsely-labeled source domain to the target domain is still a challenge, which greatly limits their application in the wild. This paper proposes a novel Sparsely-Labeled Source Assisted Domain Adaptation (SLSA-DA) algorithm to address the challenge with limited labeled source domain samples. Specifically, due to the label scarcity problem, the projected clustering is conducted on both the source and target domains, so that the discriminative structures of data could be leveraged elegantly. Then the label propagation is adopted to propagate the labels from those limited labeled source samples to the whole unlabeled data progressively, so that the cluster labels are revealed correctly. Finally, we jointly align the marginal and conditional distributions to mitigate the cross-domain mismatch problem, and optimize those three procedures iteratively. However, it is nontrivial to incorporate those three procedures into a unified optimization framework seamlessly since some variables to be optimized are implicitly involved in their formulas, thus they could not promote to each other. Remarkably, we prove that the projected clustering and conditional distribution alignment could be reformulated as different expressions, thus the implicit variables are revealed in different optimization steps. As such, the variables related to those three quantities could be optimized in a unified optimization framework and facilitate to each other, to improve the recognition performance obviously.
• Abstract（参考訳）: ドメイン適応(DA)は、ソースドメインから学習した分類器を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。 既存のDAメソッドは通常、リッチなラベルがソースドメインで利用できると仮定する。 しかし、通常、多くのラベルのないデータがありますが、ソースドメイン内のラベル付きデータはほとんどありません。そして、このばらばらにラベル付けされたソースドメインからターゲットドメインに知識を転送する方法は、まだ課題です。 本稿では,slsa-da(sparsely-labeled source assisted domain adaptation)アルゴリズムを提案する。 具体的には、ラベル不足の問題により、ソースドメインとターゲットドメインの両方で投影されたクラスタリングが行われ、データの識別構造をエレガントに活用することができる。 そして、ラベル伝搬を用いて、これらの制限されたラベル付きソースサンプルからラベルなしデータ全体へとラベルを段階的に伝播し、クラスタラベルを正しく開示する。 最後に,境界分布と条件分布を協調的に調整し,クロスドメインミスマッチ問題を緩和し,これら3つの手順を反復的に最適化する。 しかし、これらの3つの手順を統一最適化フレームワークにシームレスに組み込むことは自明ではない。 注目すべきは、予測クラスタリングと条件分布アライメントが異なる表現として再構成可能であることを示し、暗黙変数を異なる最適化ステップで明らかにする。 このようにして、これら3つの量に関連する変数は統一最適化フレームワークで最適化され、相互に容易になり、認識性能が明らかに向上する。

関連論文リスト

• Noisy Universal Domain Adaptation via Divergence Optimization for Visual Recognition [30.31153237003218]
  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、Noisy UniDAという新しいシナリオが提案されている。 ノイズUniDAで直面するすべての課題に同時に対処するために、マルチヘッド畳み込みニューラルネットワークフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-20T14:18:38Z)
• Cross-Domain Label Propagation for Domain Adaptation with Discriminative Graph Self-Learning [8.829109854586573]
  ドメイン適応は、十分にラベル付けされたソースデータの知識をラベル付けされていないターゲットデータに転送する。 ドメイン間ラベルの伝搬によって対象の擬似ラベルを推論する新しいドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T05:55:32Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• CA-UDA: Class-Aware Unsupervised Domain Adaptation with Optimal Assignment and Pseudo-Label Refinement [84.10513481953583]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ターゲットデータに欠けているラベルのサロゲートとして、優れた擬似ラベルの選択に焦点を当てる。 ソースとターゲットドメインの共有ネットワークが通常、擬似ラベルの選択に使用されるため、擬似ラベルを劣化させるソースドメインバイアスは依然として存在する。 本稿では, 擬似ラベルの品質向上のためのCA-UDAを提案し, 最適課題, 擬似ラベル改善戦略, クラス対応ドメインアライメントを提案する。
  論文  参考訳（メタデータ） (2022-05-26T18:45:04Z)
• 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)
• 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)
• Divergence Optimization for Noisy Universal Domain Adaptation [32.05829135903389]
  ユニバーサルドメイン適応(UniDA)は、ラベルリッチソースドメインから学んだ知識をラベルスカースターゲットドメインに転送するために提案されている。 本稿では,すべての問題を同時に解決する2ヘッド畳み込みニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-01T04:16:04Z)
• 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)
• Domain Adaptation with Conditional Distribution Matching and Generalized Label Shift [20.533804144992207]
  相互学習は教師なし領域適応設定において優れた性能を示した。 本稿では,ラベル分布の不一致に対するロバスト性を改善するために,新たな仮定である一般化ラベルシフト(GLS$)を提案する。 我々のアルゴリズムは、大きなラベルの分布ミスマッチに対して大幅に改善され、ベースバージョンよりも優れています。
  論文  参考訳（メタデータ） (2020-03-10T00:35:23Z)

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。