論文の概要: Inductive Unsupervised Domain Adaptation for Few-Shot Classification via Clustering

• arxiv url: http://arxiv.org/abs/2006.12816v1
• Date: Tue, 23 Jun 2020 08:17:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 23:00:49.180924
• Title: Inductive Unsupervised Domain Adaptation for Few-Shot Classification via Clustering
• Title（参考訳）: クラスタリングによるFew-Shot分類のための帰納的非教師付きドメイン適応
• Authors: Xin Cong, Bowen Yu, Tingwen Liu, Shiyao Cui, Hengzhu Tang, Bin Wang
• Abstract要約: ショットの分類は、多様なドメインに適応する必要がある場合、苦労する傾向があります。 本稿では、ClusteringによるFew-shot分類のためのドメイン適応性能を改善するためのフレームワークDaFeCを紹介する。 提案手法は, 絶対利得(分類精度)が4.95%, 9.55%, 3.99%, 11.62%であった。
• 参考スコア（独自算出の注目度）: 16.39667909141402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot classification tends to struggle when it needs to adapt to diverse domains. Due to the non-overlapping label space between domains, the performance of conventional domain adaptation is limited. Previous work tackles the problem in a transductive manner, by assuming access to the full set of test data, which is too restrictive for many real-world applications. In this paper, we set out to tackle this issue by introducing a inductive framework, DaFeC, to improve Domain adaptation performance for Few-shot classification via Clustering. We first build a representation extractor to derive features for unlabeled data from the target domain (no test data is necessary) and then group them with a cluster miner. The generated pseudo-labeled data and the labeled source-domain data are used as supervision to update the parameters of the few-shot classifier. In order to derive high-quality pseudo labels, we propose a Clustering Promotion Mechanism, to learn better features for the target domain via Similarity Entropy Minimization and Adversarial Distribution Alignment, which are combined with a Cosine Annealing Strategy. Experiments are performed on the FewRel 2.0 dataset. Our approach outperforms previous work with absolute gains (in classification accuracy) of 4.95%, 9.55%, 3.99% and 11.62%, respectively, under four few-shot settings.
• Abstract（参考訳）: ショットの分類は、多様なドメインに適応する必要がある場合に苦労する傾向がある。 領域間の重複しないラベル空間のため、従来のドメイン適応の性能は限られている。 以前の作業は、多くの現実世界のアプリケーションでは制限がかかりすぎるテストデータの完全なセットへのアクセスを仮定することで、トランスダクティブな方法でこの問題に取り組む。 本稿では、クラスタリングによるFew-shot分類のためのドメイン適応性能を改善するために、誘導型フレームワークDaFeCを導入することでこの問題に対処する。 まず,対象領域からラベルなしデータの特徴を導出するための表現抽出器を構築し(テストデータを必要としない),それをクラスタマイナにグループ化する。 生成された擬似ラベル付きデータとラベル付きソースドメインデータは、少数ショット分類器のパラメータを更新するための監督として使用される。 高品質な擬似ラベルを導出するために, 類似性エントロピー最小化と, コサインアニーリング戦略を組み合わせた逆分布アライメントにより, ターゲット領域のより良い特徴を学習するためのクラスタリング促進機構を提案する。 FewRel 2.0データセットで実験が行われる。 本手法は,4つの撮影条件下で,絶対利得(分類精度)が4.95%,9.55%,3.99%,11.62%であった。

関連論文リスト

• Unsupervised Domain Adaptation via Distilled Discriminative Clustering [45.39542287480395]
  対象データの識別クラスタリングとしてドメイン適応問題を再検討する。 本稿では,ラベル付き情報源データよりも並列に教師付き学習目標を用いて,ネットワークを協調的に訓練することを提案する。 5つの人気のあるベンチマークデータセットに対して、慎重にアブレーション研究と広範な実験を行う。
  論文  参考訳（メタデータ） (2023-02-23T13:03:48Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Correlated Adversarial Joint Discrepancy Adaptation Network [6.942003070153651]
  本稿では,CAJNet (Coinlation Adversarial Joint Disrepancy Adapted Network) という新しいアプローチを提案する。 共同特徴を訓練することにより,両領域間の境界分布と条件分布を一致させることができる。 さらに,確率ベースのトップ$mathcalK$相関ラベル(mathcalK$-label)を導入する。
  論文  参考訳（メタデータ） (2021-05-18T19:52:08Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• 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)
• Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
  本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。 クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
  論文  参考訳（メタデータ） (2020-06-11T16:19:02Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。