論文の概要: Mining Label Distribution Drift in Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2006.09565v1
• Date: Tue, 16 Jun 2020 23:41:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 21:14:44.137214
• Title: Mining Label Distribution Drift in Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応におけるマイニングラベル分布ドリフト
• Authors: Peizhao Li, Zhengming Ding, Hongfu Liu
• Abstract要約: 教師なしのドメイン適応ターゲットは、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ターゲットドメインにタスク知識を転送する。 未知のソースラベルと未知のターゲットラベル分布との間のギャップは、ラベル分布のドリフトとして認識され、ドメインの分岐を引き起こすもう1つの重要な要因である。 データ分散シフトとラベル分布のドリフトを協調的に処理するためのラベル分布マッチングドメインアドリアネットワーク(LMDAN)を提案する。
• 参考スコア（独自算出の注目度）: 76.72952512752568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation targets to transfer task knowledge from labeled source domain to related yet unlabeled target domain, and is catching extensive interests from academic and industrial areas. Although tremendous efforts along this direction have been made to minimize the domain divergence, unfortunately, most of existing methods only manage part of the picture by aligning feature representations from different domains. Beyond the discrepancy in feature space, the gap between known source label and unknown target label distribution, recognized as label distribution drift, is another crucial factor raising domain divergence, and has not been paid enough attention and well explored. From this point, in this paper, we first experimentally reveal how label distribution drift brings negative effects on current domain adaptation methods. Next, we propose Label distribution Matching Domain Adversarial Network (LMDAN) to handle data distribution shift and label distribution drift jointly. In LMDAN, label distribution drift problem is addressed by the proposed source samples weighting strategy, which select samples to contribute to positive adaptation and avoid negative effects brought by the mismatched in label distribution. Finally, different from general domain adaptation experiments, we modify domain adaptation datasets to create the considerable label distribution drift between source and target domain. Numerical results and empirical model analysis show that LMDAN delivers superior performance compared to other state-of-the-art domain adaptation methods under such scenarios.
• Abstract（参考訳）: 教師なしドメイン適応ターゲットは、ラベル付きソースドメインから関連するラベルなしターゲットドメインにタスク知識を転送することであり、学術分野や産業分野から幅広い関心を集めている。 ドメインの相違を最小限に抑えるために、この方向で多大な努力がなされているが、残念なことに、既存のメソッドのほとんどは、異なるドメインからの特徴表現を調整することによって、図の一部を管理するだけである。 特徴空間における相違以外にも、ラベル分布のドリフトとして認識されている未知のソースラベルと未知のターゲットラベルの分布のギャップは、ドメインのばらつきを高める重要な要因であり、十分に注意が払われていない。 そこで本稿では,ラベル分布のドリフトが現在のドメイン適応法に悪影響を及ぼすことを実験的に明らかにする。 次に,データ分布シフトとラベル分布ドリフトを同時処理するラベル分布マッチングドメイン逆ネットワーク(lmdan)を提案する。 lmdanでは、ラベル分布ドリフト問題は、ラベル分布の不一致によってもたらされる悪影響を避けるために正の適応に寄与するサンプルを選択するソースサンプル重み付け戦略によって解決される。 最後に、一般領域適応実験とは異なる領域適応データセットを改良し、ソースとターゲット領域間のかなりのラベル分布ドリフトを生成する。 解析結果と実験モデル解析により,LMDANは,そのようなシナリオ下での他の最先端のドメイン適応手法に比べて優れた性能を示すことが示された。

関連論文リスト

• Prototypical Partial Optimal Transport for Universal Domain Adaptation [48.07871397146472]
  ユニバーサルドメイン適応(UniDA)は、ラベル付きソースドメインからラベルなし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る。 ドメインとカテゴリシフトの存在はタスクを難しくし、"既知の"サンプルと"未知の"サンプルを区別する必要があります。 ミニバッチ型部分最適輸送(m-PPOT)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-02T08:08:56Z)
• GeT: Generative Target Structure Debiasing for Domain Adaptation [67.17025068995835]
  ドメイン適応(DA)は、ドメインシフトの下で、完全にラベル付けされたソースからほとんどラベル付けされていない、または完全にラベル付けされていないターゲットに知識を転送することを目的としています。 近年,擬似ラベリングを利用した半教師付き学習(SSL)技術がDAでますます普及している。 本稿では,高品質な擬似ラベルを用いた非バイアス対象埋め込み分布を学習するGeTを提案する。
  論文  参考訳（メタデータ） (2023-08-20T08:52:43Z)
• Semi-Supervised Domain Adaptation by Similarity based Pseudo-label Injection [0.735996217853436]
  半教師付きドメイン適応(SSDA)の主な課題の1つは、ラベル付きソースの数とターゲットサンプルのスキュード比である。 SSDAの最近の研究は、ラベル付き対象サンプルとソースサンプルのみを整列させることで、ターゲットドメインとソースドメインの整列が不完全な可能性があることを示している。 提案手法では,2つのドメインを整合させるために,コントラスト的損失を利用して意味論的かつドメインに依存しない特徴空間を学習する。
  論文  参考訳（メタデータ） (2022-09-05T10:28:08Z)
• 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)
• CLDA: Contrastive Learning for Semi-Supervised Domain Adaptation [1.2691047660244335]
  Unsupervised Domain Adaptation (UDA) は、ラベル付きソース分布とラベル付きターゲット分布との整合を目標とし、ドメイン不変な予測モデルを得る。 半教師付きドメイン適応(CLDA)のためのコントラスト学習フレームワークを提案する。 CLDAは上記のすべてのデータセットに対して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-06-30T20:23:19Z)
• Unsupervised domain adaptation via double classifiers based on high confidence pseudo label [8.132250810529873]
  Unsupervised Domain Adapt (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へのナレッジ転送という問題を解決することを目的とする。 多くのドメイン適応(DA)メソッドは、Centroidを使って異なるドメインの局所分布を整列させ、異なるクラスを整列させる。 この研究は、異なるドメイン間のアライメントを再考し、異なるドメイン間の真のアライメントを達成する方法を研究する。
  論文  参考訳（メタデータ） (2021-05-11T00:51:31Z)
• 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)
• Domain Adaptation and Image Classification via Deep Conditional Adaptation Network [26.09932710494144]
  教師なしドメイン適応は、ソースドメインでトレーニングされた教師付きモデルをラベルなしの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。 特徴空間のマージ分布アライメントは、ソースとターゲットのドメイン間のドメインの差を減らすために広く用いられている。 本稿では,特徴空間の条件分布アライメントに基づく非教師なし領域適応手法であるDeep Conditional Adaptation Network (DCAN)を提案する。
  論文  参考訳（メタデータ） (2020-06-14T02:56:01Z)

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。