論文の概要: Optimal Transport for Conditional Domain Matching and Label Shift

• arxiv url: http://arxiv.org/abs/2006.08161v4
• Date: Tue, 19 Oct 2021 10:44:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 02:58:20.854660
• Title: Optimal Transport for Conditional Domain Matching and Label Shift
• Title（参考訳）: 条件領域マッチングとラベルシフトのための最適トランスポート
• Authors: Alain Rakotomamonjy (Criteo AI Lab), R\'emi Flamary (CMAP), Gilles Gasso (DocApp - LITIS), Mokhtar Z. Alaya (LMAC, Compi\`egne), Maxime Berar (DocApp - LITIS), Nicolas Courty (OBELIX)
• Abstract要約: 一般化された目標シフトの設定の下では、教師なし領域適応の問題に対処する。 良い一般化のためには、境界分布とクラス条件分布の両方が領域間で整列する潜在表現を学ぶ必要がある。 本稿では、ソース領域における重み付き損失と、重み付き辺縁間のワッサーシュタイン距離を最小化する学習問題を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of unsupervised domain adaptation under the setting of generalized target shift (joint class-conditional and label shifts). For this framework, we theoretically show that, for good generalization, it is necessary to learn a latent representation in which both marginals and class-conditional distributions are aligned across domains. For this sake, we propose a learning problem that minimizes importance weighted loss in the source domain and a Wasserstein distance between weighted marginals. For a proper weighting, we provide an estimator of target label proportion by blending mixture estimation and optimal matching by optimal transport. This estimation comes with theoretical guarantees of correctness under mild assumptions. Our experimental results show that our method performs better on average than competitors across a range domain adaptation problems including \emph{digits},\emph{VisDA} and \emph{Office}. Code for this paper is available at \url{https://github.com/arakotom/mars_domain_adaptation}.
• Abstract（参考訳）: 一般化された目標シフト(int class-conditional and label shifts)の設定下での教師なしドメイン適応の問題に対処する。 この枠組みについては、良質な一般化のために、限界分布とクラス条件分布の両方が整列する潜在表現を学ぶ必要があることを理論的に示す。 そこで本研究では,ソース領域における重み付き損失と重み付き辺縁間のワッサースタイン距離を最小化する学習問題を提案する。 適切な重み付けのために, 最適輸送による混合推定と最適マッチングを混合することにより, 目標ラベル比率の推定器を提供する。 この推定は、穏やかな仮定の下で理論上の正確性を保証する。 実験結果から,提案手法は,emph{digits},\emph{VisDA}, \emph{Office} などの領域適応問題に対して, 競合よりも平均で高い性能を示すことが示された。 この論文のコードは \url{https://github.com/arakotom/mars_domain_adaptation} で入手できる。

関連論文リスト

• Optimal Transport for Domain Adaptation through Gaussian Mixture Models [7.292229955481438]
  本稿では,ガウス混合モデルを用いてデータ分布をモデル化する手法を提案する。 最適なトランスポートソリューションは、ソースとターゲットドメインの混合コンポーネントのマッチングを提供します。 断層診断における2つの領域適応ベンチマークを用いて,本手法の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-03-18T09:32:33Z)
• Bidirectional Domain Mixup for Domain Adaptive Semantic Segmentation [73.3083304858763]
  本稿では,ドメイン適応型セマンティックセグメンテーションタスクにおけるミックスアップの影響を系統的に研究する。 具体的には、ドメインミックスアップをカットとペーストという2ステップで実現します。 フレームワークの主なコンポーネントを実証的に検証するために、広範囲にわたるアブレーション実験を行います。
  論文  参考訳（メタデータ） (2023-03-17T05:22:44Z)
• Constrained Maximum Cross-Domain Likelihood for Domain Generalization [14.91361835243516]
  ドメインの一般化は、複数のソースドメイン上で一般化可能なモデルを学ぶことを目的としている。 本稿では,異なる領域の後方分布間のKL偏差を最小限に抑える新しい領域一般化法を提案する。 Digits-DG、PACS、Office-Home、MiniDomainNetの4つの標準ベンチマークデータセットの実験は、我々のメソッドの優れたパフォーマンスを強調している。
  論文  参考訳（メタデータ） (2022-10-09T03:41:02Z)
• Towards Backwards-Compatible Data with Confounded Domain Adaptation [0.0]
  一般化ラベルシフト(GLS)を変更することで、汎用データの後方互換性を実現する。 本稿では,ソースとターゲット条件分布のばらつきを最小限に抑えた新しい枠組みを提案する。 ガウス逆Kulback-Leibler分散と最大平均誤差を用いた具体的実装を提供する。
  論文  参考訳（メタデータ） (2022-03-23T20:53:55Z)
• Mapping conditional distributions for domain adaptation under generalized target shift [0.0]
  我々は、条件シフトとラベルシフト(GeTarS)の下でのソースとターゲットドメイン間の教師なしドメイン適応(UDA)の問題を考える。 最近のアプローチでは、ドメイン不変表現を学習するが、実際的な制限があり、実際には成り立たない強い仮定に依存している。 本稿では,既存の欠点を回避した,事前訓練された表現の整合化のための,新規で汎用的なアプローチについて検討する。
  論文  参考訳（メタデータ） (2021-10-26T14:25:07Z)
• Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
  本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。 私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
  論文  参考訳（メタデータ） (2021-08-24T17:41:45Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• 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)
• 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)

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。