論文の概要: Rethinking Distributional Matching Based Domain Adaptation
- arxiv url: http://arxiv.org/abs/2006.13352v2
- Date: Fri, 3 Jul 2020 07:00:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 22:26:11.516956
- Title: Rethinking Distributional Matching Based Domain Adaptation
- Title（参考訳）: 分布マッチングに基づくドメイン適応の再考
- Authors: Bo Li, Yezhen Wang, Tong Che, Shanghang Zhang, Sicheng Zhao, Pengfei
Xu, Wei Zhou, Yoshua Bengio, Kurt Keutzer
- Abstract要約: ドメイン適応(DA)は、ラベル付きソースドメインでトレーニングされた予測モデルをラベル付きターゲットドメインに転送するテクニックである。
最も一般的なDAアルゴリズムは、分散マッチング(DM)に基づいている。
本稿では,まずDMに基づく手法の限界を体系的に分析し,さらに現実的なドメインシフトを持つ新しいベンチマークを構築する。
- 参考スコア（独自算出の注目度）: 111.15106414932413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain adaptation (DA) is a technique that transfers predictive models
trained on a labeled source domain to an unlabeled target domain, with the core
difficulty of resolving distributional shift between domains. Currently, most
popular DA algorithms are based on distributional matching (DM). However in
practice, realistic domain shifts (RDS) may violate their basic assumptions and
as a result these methods will fail. In this paper, in order to devise robust
DA algorithms, we first systematically analyze the limitations of DM based
methods, and then build new benchmarks with more realistic domain shifts to
evaluate the well-accepted DM methods. We further propose InstaPBM, a novel
Instance-based Predictive Behavior Matching method for robust DA. Extensive
experiments on both conventional and RDS benchmarks demonstrate both the
limitations of DM methods and the efficacy of InstaPBM: Compared with the best
baselines, InstaPBM improves the classification accuracy respectively by
$4.5\%$, $3.9\%$ on Digits5, VisDA2017, and $2.2\%$, $2.9\%$, $3.6\%$ on
DomainNet-LDS, DomainNet-ILDS, ID-TwO. We hope our intuitive yet effective
method will serve as a useful new direction and increase the robustness of DA
in real scenarios. Code will be available at anonymous link:
https://github.com/pikachusocute/InstaPBM-RobustDA.
- Abstract（参考訳）: ドメイン適応(DA)は、ラベル付きソースドメインでトレーニングされた予測モデルをラベルなしターゲットドメインに転送する手法であり、ドメイン間の分散シフトを解決するのが困難である。
現在、最も一般的なDAアルゴリズムは分散マッチング(DM)に基づいている。
しかし実際には、現実的なドメインシフト(RDS)は基本的な前提に反し、結果としてこれらの手法は失敗する。
本稿では,daアルゴリズムを頑健なものにするために,まずdmベース手法の限界を体系的に解析し,さらによりリアルな領域シフトを用いた新しいベンチマークを構築し,よく認識されたdm法を評価する。
さらに,ロバストDAのための新しいインスタンスベースの予測行動マッチング手法InstaPBMを提案する。
DM手法の限界とInstaPBMの有効性の両面での広範な実験: 最高のベースラインと比較すると、InstaPBMはDigits5, VisDA2017, 2,2 %$, $2.9 %$, $3.6 %$, DomainNet-LDS, DomainNet-ILDS, ID-TwOの各分類精度を4.5 %$, $3.9 %$で改善している。
直感的で効果的な手法が有用な新しい方向性となり、実際のシナリオでdaの堅牢性を高めることを願っています。
コードは匿名リンクで入手できる。 https://github.com/pikachusocute/InstaPBM-RobustDA。
関連論文リスト
- Gradual Domain Adaptation: Theory and Algorithms [15.278170387810409]
教師なしドメイン適応(Unsupervised domain adapt, UDA)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へのモデルをワンオフで適応する。
本研究ではまず,GDAアルゴリズムである漸進的な自己学習を理論的に解析し,より優れた一般化バウンダリを提供する。
我々は、$textbfG$enerative Gradual D$textbfO$main $textbfA$daptation with Optimal $textbfT$ransport (GOAT)を提案する。
論文 参考訳（メタデータ） (2023-10-20T23:02:08Z) - 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) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、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） (2021-08-28T09:29:14Z) - Towards Corruption-Agnostic Robust Domain Adaptation [76.66523954277945]
新しいタスクである破損に依存しないロバストドメイン適応(CRDA:Corruption-agnostic Robust Domain Adaptation)を調査します。
1)予測不能な汚職を模倣するために,ドメインの不一致を拡大するサンプルを生成する,Digital Disrepancy Generator (DDG) と呼ばれる簡単なモジュール,2) 対象ドメインの制約を強化するために,対照的な損失を伴う単純かつ効果的な教師学習方式を提案する。
論文 参考訳（メタデータ） (2021-04-21T06:27:48Z) - ConDA: Continual Unsupervised Domain Adaptation [0.0]
ドメイン適応(DA)技術は、トレーニングに使用されるソースドメインとテストが行われるターゲットドメインの間のドメインシフトを克服するために重要です。
現在のDAメソッドは、適応中にターゲットドメイン全体が利用可能であると仮定しています。
本稿では、より現実的なシナリオを検討し、より小さなバッチでターゲットデータが利用可能になり、ターゲットドメイン全体への適応は実現不可能である。
論文 参考訳（メタデータ） (2021-03-19T23:20:41Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳（メタデータ） (2020-12-04T14:28:19Z) - FixBi: Bridging Domain Spaces for Unsupervised Domain Adaptation [26.929772844572213]
我々は、ソースとターゲットドメイン間の複数の中間ドメインを拡大するために、固定比に基づくミックスアップを導入する。
我々は、相補的な特性を持つソース支配モデルとターゲット支配モデルを訓練する。
提案手法により,モデルが対象ドメインに徐々にドメイン知識を伝達する。
論文 参考訳（メタデータ） (2020-11-18T11:58:19Z) - 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) - Maximum Density Divergence for Domain Adaptation [0.0]
教師なしドメイン適応は、十分に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へ知識を転送する問題に対処する。
本稿では,敵対的学習とメートル法学習の両方の利点を享受するATM(Adversarial Tight Match)というドメイン適応手法を提案する。
論文 参考訳（メタデータ） (2020-04-27T07:35:06Z) - Online Meta-Learning for Multi-Source and Semi-Supervised Domain
Adaptation [4.1799778475823315]
本稿では,既存のDAアルゴリズムの初期条件をメタラーニングすることで,性能向上のためのフレームワークを提案する。
マルチソース非教師付きドメイン適応(MSDA)と半教師付きドメイン適応(SSDA)の両方の変種を提示する。
最大規模のDomainNetを含む,いくつかのDAベンチマークで得られた成果を報告する。
論文 参考訳（メタデータ） (2020-04-09T07:48:22Z)
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。