論文の概要: Robust Classification under Class-Dependent Domain Shift
- arxiv url: http://arxiv.org/abs/2007.05335v1
- Date: Fri, 10 Jul 2020 12:26:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 21:05:14.176961
- Title: Robust Classification under Class-Dependent Domain Shift
- Title(参考訳): クラス依存ドメインシフトに基づくロバスト分類
- Authors: Tigran Galstyan, Hrant Khachatrian, Greg Ver Steeg, Aram Galstyan
- Abstract要約: 本稿では,クラス依存ドメインシフト(class-dependent domain shift)と呼ぶ,特別なタイプのデータセットシフトについて検討する。
入力データはラベルに依存し、データのシフトは既知の変数によって完全に説明され、シフトを制御する変数はラベルに依存することができ、ラベル分布にシフトはない。
- 参考スコア(独自算出の注目度): 29.54336432319199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Investigation of machine learning algorithms robust to changes between the
training and test distributions is an active area of research. In this paper we
explore a special type of dataset shift which we call class-dependent domain
shift. It is characterized by the following features: the input data causally
depends on the label, the shift in the data is fully explained by a known
variable, the variable which controls the shift can depend on the label, there
is no shift in the label distribution. We define a simple optimization problem
with an information theoretic constraint and attempt to solve it with neural
networks. Experiments on a toy dataset demonstrate the proposed method is able
to learn robust classifiers which generalize well to unseen domains.
- Abstract(参考訳): トレーニングとテスト分布の変化に頑健な機械学習アルゴリズムの調査は、研究の活発な領域である。
本稿では、クラス依存ドメインシフトと呼ばれる特別なタイプのデータセットシフトについて検討する。
入力データはラベルに因果的に依存し、データのシフトは既知の変数によって完全に説明され、シフトを制御する変数はラベルに依存することができ、ラベル分布にシフトがない。
情報理論的な制約を伴う単純な最適化問題を定義し,ニューラルネットワークを用いて解こうとする。
おもちゃのデータセット上での実験は、提案手法が未知の領域によく一般化するロバストな分類器を学習できることを実証する。
関連論文リスト
- Channel-Selective Normalization for Label-Shift Robust Test-Time
Adaptation [17.375390435493017]
テスト時間適応は、推論中にモデルを新しいデータ分布に調整するアプローチである。
テスト時のバッチ正規化は、ドメインシフトベンチマークで魅力的なパフォーマンスを達成した、シンプルで一般的な方法である。
本稿では、ディープネットワークにおけるチャネルのみを選択的に適応させ、ラベルシフトに敏感な劇的な適応を最小化することで、この問題に対処することを提案する。
論文 参考訳(メタデータ) (2024-02-07T15:41:01Z) - Online Feature Updates Improve Online (Generalized) Label Shift
Adaptation [54.3888105557787]
本稿では,ラベルを欠いたオンライン環境におけるラベルシフトの問題に対処する。
テスト時にラベルのないデータを用いて特徴表現を拡張できる未解決の可能性を探る。
オンライン特徴更新(OLS-OFU)を用いたオンラインラベルシフト適応手法は,自己教師付き学習を活用し,特徴抽出プロセスの洗練を図る。
論文 参考訳(メタデータ) (2024-02-05T22:03:25Z) - Adversarial Learning for Feature Shift Detection and Correction [45.65548560695731]
機能シフトは、複数のセンサデータ、一部のセンサが機能不全である、あるいは構造化データ、欠陥のある標準化とデータ処理パイプラインが誤った機能につながる、など、多くのデータセットで起こりうる。
そこで本研究では,2つの分布を区別するために訓練された複数の識別器から得られる情報を用いて,破損した特徴を検知し,それらを修正することにより,データセット間の分布シフトを除去する。
論文 参考訳(メタデータ) (2023-12-07T18:58:40Z) - Binary Quantification and Dataset Shift: An Experimental Investigation [54.14283123210872]
量子化は教師付き学習タスクであり、未学習データの集合のクラス有病率の予測器を訓練する。
定量化と他のタイプのデータセットシフトの関係は、いまだ大きく、未調査のままである。
本稿では,これらのシフトに影響を受けるデータセットの生成プロトコルを確立することにより,データセットシフトの種類を詳細に分類する手法を提案する。
論文 参考訳(メタデータ) (2023-10-06T20:11:27Z) - Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。
本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
論文 参考訳(メタデータ) (2022-12-21T18:30:22Z) - Identifying Latent Causal Content for Multi-Source Domain Adaptation [53.05434790671263]
本稿では,潜時コンテンツ変数に基づく不変ラベル分布条件を学習するMSDAの新しい手法を提案する。
潜時空間の推移性により潜時型変数は識別できないが、潜時型変数は単純なスケーリングで識別可能であることを示す。
論文 参考訳(メタデータ) (2022-08-30T11:25:15Z) - A unified framework for dataset shift diagnostics [2.449909275410288]
教師付き学習技術は典型的には、訓練データが標的人口に由来すると仮定する。
しかし、データセットのシフトが頻繁に発生し、適切に考慮しなければ、予測器の性能が低下する可能性がある。
我々は、複数のデータセットシフトの定量化とテストを行うTectorShiftという、新しいフレキシブルなフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:34:45Z) - Sequential changepoint detection in classification data under label
shift [1.6752182911522522]
逐次保存・ラベルなし分類データにおける分布変化を検出することの問題点を考察する。
シミュレーションでは,このラベルシフト設定において,本手法が他の検出手順より優れていることを示す。
論文 参考訳(メタデータ) (2020-09-18T02:26:46Z) - Self-training Avoids Using Spurious Features Under Domain Shift [54.794607791641745]
教師なし領域適応においては、条件付きエントロピー最小化と擬似ラベル処理は、既存の理論で解析されたものよりもドメインシフトがはるかに大きい場合であっても行われる。
ドメインシフトが大きくなる可能性のある特定の設定を特定・分析するが、特定のスパイラルな特徴はソースドメインのラベルと相関するが、ターゲットの独立なラベルである。
論文 参考訳(メタデータ) (2020-06-17T17:51:42Z)
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。