論文の概要: Self-adaptive Re-weighted Adversarial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2006.00223v2
• Date: Tue, 2 Jun 2020 03:08:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 17:41:54.402210
• Title: Self-adaptive Re-weighted Adversarial Domain Adaptation
• Title（参考訳）: 自己適応型再重み付き対向ドメイン適応
• Authors: Shanshan Wang, Lei Zhang
• Abstract要約: 自己適応型再重み付き対向ドメイン適応手法を提案する。 条件分布の観点からドメインアライメントを強化する。 実証的な証拠は、提案されたモデルが標準的なドメイン適応データセットで芸術の状態を上回ります。
• 参考スコア（独自算出の注目度）: 12.73753413032972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing adversarial domain adaptation methods mainly consider the marginal distribution and these methods may lead to either under transfer or negative transfer. To address this problem, we present a self-adaptive re-weighted adversarial domain adaptation approach, which tries to enhance domain alignment from the perspective of conditional distribution. In order to promote positive transfer and combat negative transfer, we reduce the weight of the adversarial loss for aligned features while increasing the adversarial force for those poorly aligned measured by the conditional entropy. Additionally, triplet loss leveraging source samples and pseudo-labeled target samples is employed on the confusing domain. Such metric loss ensures the distance of the intra-class sample pairs closer than the inter-class pairs to achieve the class-level alignment. In this way, the high accurate pseudolabeled target samples and semantic alignment can be captured simultaneously in the co-training process. Our method achieved low joint error of the ideal source and target hypothesis. The expected target error can then be upper bounded following Ben-David's theorem. Empirical evidence demonstrates that the proposed model outperforms state of the arts on standard domain adaptation datasets.
• Abstract（参考訳）: 既存の逆領域適応法は主に限界分布を考慮し、これらの手法は転送中または負の転送に繋がる可能性がある。 この問題に対処するために,条件分布の観点からドメインアライメントの強化を試み,自己適応型再重み付け逆ドメイン適応アプローチを提案する。 正の移動を促進し, 負の移動と戦うために, 条件エントロピーで測定した逆力を高めつつ, アライメント特徴に対する逆損失の軽量化を図る。 さらに、ソースサンプルと疑似ラベル付きターゲットサンプルを利用したトリプレットロスが混乱領域に採用されている。 このようなメトリック損失は、クラス内のサンプルペアがクラス間のペアよりも近い距離を保証し、クラスレベルのアライメントを達成する。 このように、高精度な擬似ラベル付きターゲットサンプルとセマンティックアライメントを協調学習プロセスで同時に取得することができる。 本手法は理想源と目標仮説の結合誤差を低くした。 予測対象誤差はベンダビッドの定理に従って上界となる。 実証的な証拠は、提案されたモデルが標準的なドメイン適応データセットで芸術の状態を上回ります。

関連論文リスト

• Domain Adaptive Object Detection via Balancing Between Self-Training and Adversarial Learning [19.81071116581342]
  深層学習に基づく物体検出器は、対象と背景に大きなバリエーションを持つ新しい対象領域に一般化するのに苦労する。 現在の手法では、画像またはインスタンスレベルの対角的特徴アライメントを使用してドメインをアライメントする。 本稿では,モデルの予測不確実性を利用して,対向的特徴アライメントとクラスレベルのアライメントの適切なバランスを打つことを提案する。
  論文  参考訳（メタデータ） (2023-11-08T16:40:53Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Logit Margin Matters: Improving Transferable Targeted Adversarial Attack by Logit Calibration [85.71545080119026]
  クロスエントロピー(CE)損失関数は、伝達可能な標的対向例を学習するには不十分である。 本稿では,ロジットを温度係数と適応マージンでダウンスケールすることで,ロジットのキャリブレーションを簡易かつ効果的に行う2つの手法を提案する。 ImageNetデータセットを用いて実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-07T06:42:52Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、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、あるいはラベル付けされていないが関連する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ます。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• SENTRY: Selective Entropy Optimization via Committee Consistency for Unsupervised Domain Adaptation [14.086066389856173]
  ランダムな画像変換の委員会の下で,予測整合性に基づいて対象インスタンスの信頼性を判定するUDAアルゴリズムを提案する。 提案アルゴリズムは,予測エントロピーを選択的に最小化し,高い一貫性のあるターゲットインスタンスに対する信頼度を高めるとともに,予測エントロピーを最大化し,高い一貫性の低いインスタンスに対する信頼度を低減する。 擬似ラベルに基づく近似的クラスバランスと組み合わせることで,標準的なUDAベンチマークや,ラベル分布シフト下でのストレス-テスト適応を目的としたベンチマークから,27/31ドメインシフトの最先端よりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-12-21T16:24:50Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Implicit Class-Conditioned Domain Alignment for Unsupervised Domain Adaptation [18.90240379173491]
  クラス条件付きドメインアライメントの現在の方法は、対象ドメインの擬ラベル推定に基づいて損失関数を明示的に最小化することを目的としている。 擬似ラベルから直接モデルパラメータの明示的な最適化の必要性を除去する手法を提案する。 サンプル選択手順を擬似ラベルで暗黙的にガイドするサンプリングベース暗黙アライメント手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T00:20:21Z)
• 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)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。