論文の概要: Discriminative Feature Alignment: Improving Transferability of
Unsupervised Domain Adaptation by Gaussian-guided Latent Alignment
- arxiv url: http://arxiv.org/abs/2006.12770v5
- Date: Sun, 9 Aug 2020 18:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 23:09:25.560396
- Title: Discriminative Feature Alignment: Improving Transferability of
Unsupervised Domain Adaptation by Gaussian-guided Latent Alignment
- Title（参考訳）: 識別的特徴アライメント:ガウス誘導潜在アライメントによる教師なし領域適応の伝達性の改善
- Authors: Jing Wang, Jiahong Chen, Jianzhe Lin, Leonid Sigal, and Clarence W. de
Silva
- Abstract要約: 本研究では,ラベル付きデータ領域から近似推論モデルを学習するための教師なし領域適応問題に着目した。
教師なしのドメイン適応の成功は、主にクロスドメイン機能アライメントに依存している。
本稿では,2つの領域の潜在特徴分布を事前分布の導出の下で整列するガウス誘導型潜時アライメント手法を提案する。
そのような間接的な方法では、2つの領域からのサンプル上の分布は共通の特徴空間、すなわち前の領域の空間上に構築される。
- 参考スコア（独自算出の注目度）: 27.671964294233756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we focus on the unsupervised domain adaptation problem where
an approximate inference model is to be learned from a labeled data domain and
expected to generalize well to an unlabeled data domain. The success of
unsupervised domain adaptation largely relies on the cross-domain feature
alignment. Previous work has attempted to directly align latent features by the
classifier-induced discrepancies. Nevertheless, a common feature space cannot
always be learned via this direct feature alignment especially when a large
domain gap exists. To solve this problem, we introduce a Gaussian-guided latent
alignment approach to align the latent feature distributions of the two domains
under the guidance of the prior distribution. In such an indirect way, the
distributions over the samples from the two domains will be constructed on a
common feature space, i.e., the space of the prior, which promotes better
feature alignment. To effectively align the target latent distribution with
this prior distribution, we also propose a novel unpaired L1-distance by taking
advantage of the formulation of the encoder-decoder. The extensive evaluations
on nine benchmark datasets validate the superior knowledge transferability
through outperforming state-of-the-art methods and the versatility of the
proposed method by improving the existing work significantly.
- Abstract（参考訳）: 本研究では,ラベル付きデータドメインから近似推論モデルを学習し,ラベル付きデータドメインへの一般化を期待する教師なし領域適応問題に焦点を当てた。
教師なしドメイン適応の成功は、主にクロスドメイン機能アライメントに依存している。
従来の研究は、分類器によって引き起こされる相違により、潜伏する特徴を直接調整しようと試みてきた。
それでも、特に大きなドメインギャップが存在する場合、この直接的特徴アライメントを通じて共通の特徴空間を常に学べることはできない。
この問題を解決するために,ガウス誘導型潜時アライメント手法を導入し,先行分布の誘導の下で2つの領域の潜時特徴分布を整列させる。
このような間接的な方法では、2つの領域からのサンプル上の分布は共通の特徴空間、すなわち、より優れた特徴アライメントを促進する前の空間上に構築される。
対象の潜伏分布をこの先行分布に効果的に整合させるため,エンコーダデコーダの定式化を生かして,不対向L1距離を提案する。
9つのベンチマークデータセットの広範な評価は、既存の作業を大幅に改善することで、最先端の手法よりも優れた知識伝達可能性と提案手法の汎用性を検証する。
関連論文リスト
- Label Alignment Regularization for Distribution Shift [63.228879525056904]
最近の研究は、教師あり学習におけるラベルアライメント特性(LAP)を強調している。
対象領域の予測と最上位特異ベクトルとのアライメントを促進する非教師なし領域適応の正規化法を提案する。
MNIST-USPSドメイン適応や言語間感情分析などのよく知られたタスクにおいて、ドメイン適応ベースラインよりもパフォーマンスが向上したことを報告した。
論文 参考訳（メタデータ） (2022-11-27T22:54:48Z) - Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for
Multi-Source Domain Adaptation [2.734665397040629]
マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数の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。
異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。
本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-05T01:08:41Z) - Deep Least Squares Alignment for Unsupervised Domain Adaptation [6.942003070153651]
教師なしのドメイン適応はラベル付きソースドメインからの豊富な情報を活用してラベルなしのターゲットドメインをモデル化する。
線形モデルをパラメータ化することにより,2つの領域の潜在空間における分布を推定するために,最深部最小二乗アライメント(DLSA)を提案する。
拡張実験により,提案したDLSAモデルは領域分布の整合に有効であり,最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-11-03T13:23:06Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳（メタデータ） (2021-07-27T14:47:24Z) - 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) - 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) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Class Distribution Alignment for Adversarial Domain Adaptation [32.95056492475652]
両領域間のサンプルのクラス分布を明示的に整合させるために, CADIT (Conditional ADversarial Image Translation) を提案する。
識別構造保存損失と連立対向生成損失を統合している。
提案手法は,最先端手法と比較して,対象領域の優れた分類を実現する。
論文 参考訳（メタデータ） (2020-04-20T15:58:11Z) - 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。