論文の概要: Partial Domain Adaptation Using Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2005.07858v1
• Date: Sat, 16 May 2020 03:37:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 13:34:45.979342
• Title: Partial Domain Adaptation Using Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークを用いた部分領域適応
• Authors: Seunghan Yang, Youngeun Kim, Dongki Jung, Changick Kim
• Abstract要約: データ構造と各クラスの特徴分布を協調的に検討するために,グラフ畳み込みネットワークを利用したGPDAネットワークを提案する。 GPDAネットワークがDigitおよびOffice-31データセット上で最先端のパフォーマンスを実現することを示す。
• 参考スコア（独自算出の注目度）: 24.09229577462892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial domain adaptation (PDA), in which we assume the target label space is included in the source label space, is a general version of standard domain adaptation. Since the target label space is unknown, the main challenge of PDA is to reduce the learning impact of irrelevant source samples, named outliers, which do not belong to the target label space. Although existing partial domain adaptation methods effectively down-weigh outliers' importance, they do not consider data structure of each domain and do not directly align the feature distributions of the same class in the source and target domains, which may lead to misalignment of category-level distributions. To overcome these problems, we propose a graph partial domain adaptation (GPDA) network, which exploits Graph Convolutional Networks for jointly considering data structure and the feature distribution of each class. Specifically, we propose a label relational graph to align the distributions of the same category in two domains and introduce moving average centroid separation for learning networks from the label relational graph. We demonstrate that considering data structure and the distribution of each category is effective for PDA and our GPDA network achieves state-of-the-art performance on the Digit and Office-31 datasets.
• Abstract（参考訳）: 対象ラベル空間がソースラベル空間に含まれると仮定する部分ドメイン適応(PDA)は、標準ドメイン適応の一般的なバージョンである。 対象ラベル空間が不明であるため、pdaの主な課題は、対象ラベル空間に属さない名前付き異常値である無関係なソースサンプルの学習影響を低減することである。 既存の部分的領域適応法は、効果的に外れ値の重要性を低下させるが、各ドメインのデータ構造を考慮せず、ソースとターゲットドメインの同じクラスの特徴分布を直接調整しないため、カテゴリレベルの分布を誤認する可能性がある。 これらの問題を解決するために,グラフ畳み込みネットワークを利用したグラフ部分領域適応(GPDA)ネットワークを提案する。 具体的には,同じカテゴリの分布を2つの領域で整列するラベル関係グラフを提案し,ラベル関係グラフから学習ネットワークに対する移動平均遠心分離を導入する。 我々は,データ構造と各カテゴリの分布を考慮することがPDAに有効であることを示し,GPDAネットワークはDigitおよびOffice-31データセットの最先端性能を実現する。

関連論文リスト

• SA-GDA: Spectral Augmentation for Graph Domain Adaptation [38.71041292000361]
  グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して印象的な成果を上げている。 本稿では、グラフノード分類のためのグラフドメイン適応のためのtextitSpectral Augmentation(method)を提案する。 特徴集約のための局所的および大域的一貫性を協調的に活用するデュアルグラフ畳み込みネットワークを開発した。
  論文  参考訳（メタデータ） (2024-08-17T13:01:45Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via Graph Matching [14.876681993079062]
  本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。 また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
  論文  参考訳（メタデータ） (2022-08-09T02:30:15Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
  マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。 本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。 ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
  論文  参考訳（メタデータ） (2021-04-01T23:41:41Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• 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)
• Learning from a Complementary-label Source Domain: Theory and Algorithms [39.53192710720228]
  本稿では、ソースドメインが相補的なラベルデータで構成されているという新しい設定を提案する。 CC-UDA と PC-UDA の問題を解決するために,CLARINET が提案されている。 実験により、CLARINETは手書き文字認識とオブジェクト認識タスクにおいて、一連の有能なベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-08-04T10:49:35Z)
• Class Conditional Alignment for Partial Domain Adaptation [10.506584969668792]
  アドリア適応モデルは、ラベル付きソースデータセットからラベルなしターゲットデータセットへの知識の転送に向けて大きな進歩を見せている。 PDAは、ソースドメインが広く多様なシナリオを調査し、ターゲットラベル空間はソースラベル空間のサブセットである。 PDAのためのマルチクラス対向アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-14T23:51:57Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。