論文の概要: Curriculum Manager for Source Selection in Multi-Source Domain Adaptation

• arxiv url: http://arxiv.org/abs/2007.01261v1
• Date: Thu, 2 Jul 2020 17:15:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 14:11:19.340473
• Title: Curriculum Manager for Source Selection in Multi-Source Domain Adaptation
• Title（参考訳）: マルチソースドメイン適応におけるソース選択のためのカリキュラムマネージャ
• Authors: Luyu Yang, Yogesh Balaji, Ser-Nam Lim, Abhinav Shrivastava
• Abstract要約: CMSS(Curriculum Manager for Source Selection)と呼ばれる,ソースサンプルの動的カリキュラムを学習する逆エージェントを提案する。 CMSSはドメインラベルの知識を一切必要としないが、よく知られた4つのベンチマークの他の手法よりもかなり優れている。
• 参考スコア（独自算出の注目度）: 65.22251010276652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of Multi-Source Unsupervised Domain Adaptation depends significantly on the effectiveness of transfer from labeled source domain samples. In this paper, we proposed an adversarial agent that learns a dynamic curriculum for source samples, called Curriculum Manager for Source Selection (CMSS). The Curriculum Manager, an independent network module, constantly updates the curriculum during training, and iteratively learns which domains or samples are best suited for aligning to the target. The intuition behind this is to force the Curriculum Manager to constantly re-measure the transferability of latent domains over time to adversarially raise the error rate of the domain discriminator. CMSS does not require any knowledge of the domain labels, yet it outperforms other methods on four well-known benchmarks by significant margins. We also provide interpretable results that shed light on the proposed method.
• Abstract（参考訳）: マルチソース非教師付きドメイン適応の性能は、ラベル付きソースドメインサンプルからの転送の有効性に大きく依存する。 本稿では,資源選択のためのカリキュラムマネージャ (CMSS) と呼ばれる,資源サンプルの動的カリキュラムを学習する逆エージェントを提案する。 独立したネットワークモジュールであるCurriculum Managerは、トレーニング中のカリキュラムを常に更新し、どのドメインやサンプルがターゲットに合わせるのに適しているかを反復的に学習する。 この背景にある直感は、Curriculum Managerが遅延ドメインの転送可能性を常に再測定し、ドメイン識別器のエラー率を逆向きに上昇させることである。 CMSSはドメインラベルの知識を一切必要としないが、よく知られた4つのベンチマークの他の手法よりもかなり優れている。 また,提案手法に光を当てた解釈可能な結果も提供する。

関連論文リスト

• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Meta-DMoE: Adapting to Domain Shift by Meta-Distillation from Mixture-of-Experts [33.21435044949033]
  既存のほとんどのメソッドは、単一のモデルを使って複数のソースドメインでトレーニングを行います。 本稿では,知識蒸留プロセスとして定式化された非教師なし試験時間適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-08T02:28:10Z)
• Label Distribution Learning for Generalizable Multi-source Person Re-identification [48.77206888171507]
  人物再識別(Re-ID)は,映像監視システムにおいて重要な技術である。 教師付きモデルを任意の未確認領域に直接適用することは困難である。 一般化可能な多ソース人物Re-IDタスクに対処する新しいラベル分散学習法(LDL)を提案する。
  論文  参考訳（メタデータ） (2022-04-12T15:59:10Z)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数の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タスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)
• Multi-Source Domain Adaptation with Collaborative Learning for Semantic Segmentation [32.95273803359897]
  マルチソース非監視ドメイン適応(MSDA)は、複数のラベル付きソースドメインで訓練されたモデルをラベル付きターゲットドメインに適応することを目的とする。 セマンティックセグメンテーションのための協調学習に基づく新しいマルチソースドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T12:51:42Z)
• Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources [68.31273535702256]
  我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。 C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。 3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-11-17T14:50:55Z)
• Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
  マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。 複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。 4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-12T08:37:42Z)

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。