論文の概要: Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2007.09257v1
• Date: Fri, 17 Jul 2020 22:05:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 14:22:44.348511
• Title: Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation
• Title（参考訳）: domain2vec: 教師なしドメイン適応のためのドメイン埋め込み
• Authors: Xingchao Peng, Yichen Li, Kate Saenko
• Abstract要約: 従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。 本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。 我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
• 参考スコア（独自算出の注目度）: 56.94873619509414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional unsupervised domain adaptation (UDA) studies the knowledge transfer between a limited number of domains. This neglects the more practical scenario where data are distributed in numerous different domains in the real world. The domain similarity between those domains is critical for domain adaptation performance. To describe and learn relations between different domains, we propose a novel Domain2Vec model to provide vectorial representations of visual domains based on joint learning of feature disentanglement and Gram matrix. To evaluate the effectiveness of our Domain2Vec model, we create two large-scale cross-domain benchmarks. The first one is TinyDA, which contains 54 domains and about one million MNIST-style images. The second benchmark is DomainBank, which is collected from 56 existing vision datasets. We demonstrate that our embedding is capable of predicting domain similarities that match our intuition about visual relations between different domains. Extensive experiments are conducted to demonstrate the power of our new datasets in benchmarking state-of-the-art multi-source domain adaptation methods, as well as the advantage of our proposed model.
• Abstract（参考訳）: 従来の教師なしドメイン適応(UDA)は、限られた数のドメイン間の知識伝達を研究する。 これは、データが現実世界の多くの異なるドメインに分散される、より実践的なシナリオを無視します。 これらのドメイン間のドメイン類似性はドメイン適応性能にとって重要である。 異なる領域間の関係を記述・学習するために,特徴分節とグラム行列の合同学習に基づく視覚領域のベクトル表現を提供する新しいドメイン2vecモデルを提案する。 Domain2Vecモデルの有効性を評価するため、大規模なクロスドメインベンチマークを2つ作成する。 ひとつはTinyDAで、54のドメインと約100万のMNISTスタイルの画像を含んでいる。 第2のベンチマークはdomainbankで、56の既存のvisionデータセットから収集される。 我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。 最先端のマルチソースドメイン適応手法のベンチマークにおける新しいデータセットのパワーと提案モデルの利点を実証するために,大規模な実験を行った。

関連論文リスト

• DomainVerse: A Benchmark Towards Real-World Distribution Shifts For Tuning-Free Adaptive Domain Generalization [27.099706316752254]
  我々はAdaptive Domain Generalization (ADG)のための新しいデータセットDomainVerseを確立する。 DomainVerseは、導入した階層的なドメインシフトの定義に相応しく、390のきめ細かい現実的なドメインから約0.5万の画像で構成されている。 チューニング不要適応型ドメイン一般化のためのDomain CLIPとDomain++ CLIPという2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T07:10:25Z)
• DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive Crowd Counting [35.83485358725357]
  ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。 既存のドメイン適応手法は、同じデータセット内の差を見下ろしながら、データセット間の違いに焦点を当てる傾向がある。 ドメインに依存しない要素をドメイン間で整合させるDAOT(Domain-Agnostically Aligned Optimal Transport)戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:59:40Z)
• M2D2: A Massively Multi-domain Language Modeling Dataset [76.13062203588089]
  ドメイン適応(LM)を研究するための細粒度多ドメインコーパスM2D2を提案する。 ウィキペディアとArXivから派生したカテゴリを用いて、各データソース内のドメインを22のグループに分類する。 我々は、LMをドメイン階層に沿って適用することの利点を示し、より少量のドメイン固有のデータに適応することで、ドメイン内のパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2022-10-13T21:34:52Z)
• Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
  生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。 計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T11:09:29Z)
• Provable Adaptation across Multiway Domains via Representation Learning [41.40595345884889]
  本稿では,各領域が多次元配列にインデックス付けされるゼロショット領域適応について検討する。 本稿では,低ランクテンソル構造を持つドメイン不変潜在表現層とドメイン固有線形予測層からなるモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-12T01:15:23Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)
• Adapting Object Detectors with Conditional Domain Normalization [38.13526570506076]
  条件付きドメイン正規化(CDN)は、異なるドメイン入力を共有潜在空間にエンコードするように設計されている。 対象検出器の様々な畳み込み段階にCDNを組み込み、異なるレベルの表現の領域シフトに適応的に対処する。 テストの結果、CDNは実-実-実-実-実-実-実-実-実-実-実のベンチマークにおいて、既存の手法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2020-03-16T08:27:29Z)
• Multi-Source Domain Adaptation for Text Classification via DistanceNet-Bandits [101.68525259222164]
  本研究では,NLPタスクのコンテキストにおいて,サンプル推定に基づく領域間の相違を特徴付ける様々な距離ベース尺度について検討する。 タスクの損失関数と協調して最小化するために,これらの距離測度を付加的な損失関数として用いるディスタンスネットモデルを開発した。 マルチアーム・バンド・コントローラを用いて複数のソース・ドメインを動的に切り替えるDistanceNet-Banditモデルに拡張する。
  論文  参考訳（メタデータ） (2020-01-13T15:53:41Z)

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。