論文の概要: Discriminative Active Learning for Domain Adaptation

• arxiv url: http://arxiv.org/abs/2005.11653v1
• Date: Sun, 24 May 2020 04:20:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 13:24:45.678496
• Title: Discriminative Active Learning for Domain Adaptation
• Title（参考訳）: ドメイン適応のための識別能動学習
• Authors: Fan Zhou, Changjian Shui, Bincheng Huang, Boyu Wang and Brahim Chaib-draa
• Abstract要約: 我々は、データアノテーションの労力を減らすために、ドメイン適応のための差別的なアクティブな学習手法を導入する。 具体的には,ニューラルネットワークの3段階能動対向トレーニングを提案する。 4つのベンチマークデータセットを用いた既存領域適応手法との比較実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 16.004653151961303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Adaptation aiming to learn a transferable feature between different but related domains has been well investigated and has shown excellent empirical performances. Previous works mainly focused on matching the marginal feature distributions using the adversarial training methods while assuming the conditional relations between the source and target domain remained unchanged, $i.e.$, ignoring the conditional shift problem. However, recent works have shown that such a conditional shift problem exists and can hinder the adaptation process. To address this issue, we have to leverage labelled data from the target domain, but collecting labelled data can be quite expensive and time-consuming. To this end, we introduce a discriminative active learning approach for domain adaptation to reduce the efforts of data annotation. Specifically, we propose three-stage active adversarial training of neural networks: invariant feature space learning (first stage), uncertainty and diversity criteria and their trade-off for query strategy (second stage) and re-training with queried target labels (third stage). Empirical comparisons with existing domain adaptation methods using four benchmark datasets demonstrate the effectiveness of the proposed approach.
• Abstract（参考訳）: 異なるドメイン間で伝達可能な特徴を学習することを目的としたドメイン適応は、よく研究され、優れた経験的性能を示している。 従来の研究は主に、条件シフト問題を無視して、ソースとターゲットドメインの条件関係が変化していないと仮定しながら、敵の訓練手法を用いて、限界特徴分布をマッチングすることに焦点を当てていた。 しかし、近年の研究では、このような条件シフト問題が存在し、適応過程を妨げていることが示された。 この問題に対処するには、ターゲットドメインからラベル付きデータを活用する必要がありますが、ラベル付きデータの収集は非常に高価で時間がかかります。 そこで本研究では,データアノテーションの努力を減らすために,ドメイン適応のための識別的アクティブラーニング手法を提案する。 具体的には,不変特徴空間学習(第1段階),不確実性と多様性の基準(第2段階),クエリ戦略(第2段階)のトレードオフ,問合せ対象ラベル(第3段階)による再学習(第3段階)という,ニューラルネットワークの3段階のアクティブな敵対的トレーニングを提案する。 4つのベンチマークデータセットを用いた既存領域適応手法との比較実験により,提案手法の有効性が示された。

関連論文リスト

• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection [81.703478548177]
  セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。 教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。 以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。 アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しいドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-01T01:52:28Z)
• Adapting Segmentation Networks to New Domains by Disentangling Latent Representations [14.050836886292869]
  ドメイン適応アプローチは、ラベルを持つソースドメインから取得した知識を関連するラベルを持つターゲットドメインに転送する役割を担っている。 本稿では,教師付きトレーニングと比較して適応戦略の相対的有効性を捉えるための新しい性能指標を提案する。
  論文  参考訳（メタデータ） (2021-08-06T09:43:07Z)
• On Universal Black-Box Domain Adaptation [53.7611757926922]
  実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。 ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。 対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T02:21:09Z)
• 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)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)
• Knowledge Distillation for BERT Unsupervised Domain Adaptation [2.969705152497174]
  トレーニング済みの言語モデルであるBERTは、さまざまな自然言語処理タスクで大幅なパフォーマンス向上を実現している。 蒸留による逆順応法(AAD)を提案する。 ドメイン間感情分類におけるアプローチを30組のドメイン対で評価した。
  論文  参考訳（メタデータ） (2020-10-22T06:51:24Z)
• Missing-Class-Robust Domain Adaptation by Unilateral Alignment for Fault Diagnosis [3.786700931138978]
  ドメイン適応は、ソースドメインの学習した知識を活用し、それをターゲットドメインに転送することで、モデルの性能を改善することを目的としています。 近年, 対象領域とソース領域の分散シフトを軽減するために, ドメイン逆法が特に成功している。 本稿では,ドメイン逆数法の性能がトレーニング中に不完全なターゲットラベル空間に対して脆弱であることを示す。
  論文  参考訳（メタデータ） (2020-01-07T13:19:04Z)

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。