論文の概要: Unsupervised Domain Adaptation in the Absence of Source Data
- arxiv url: http://arxiv.org/abs/2007.10233v1
- Date: Mon, 20 Jul 2020 16:22:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 13:03:56.373827
- Title: Unsupervised Domain Adaptation in the Absence of Source Data
- Title(参考訳): ソースデータの欠如における教師なし領域適応
- Authors: Roshni Sahoo, Divya Shanmugam, John Guttag
- Abstract要約: 本稿では、ソース領域から自然軸に沿って変化する対象領域にソース分類器を適応させる教師なしの手法を提案する。
分布シフトが明るさ、コントラスト、回転を伴うシナリオにおいて本手法を検証し、ラベル付きデータに制限されたシナリオにおいて微調整ベースラインよりも優れた性能を示すことを示す。
- 参考スコア(独自算出の注目度): 0.7366405857677227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current unsupervised domain adaptation methods can address many types of
distribution shift, but they assume data from the source domain is freely
available. As the use of pre-trained models becomes more prevalent, it is
reasonable to assume that source data is unavailable. We propose an
unsupervised method for adapting a source classifier to a target domain that
varies from the source domain along natural axes, such as brightness and
contrast. Our method only requires access to unlabeled target instances and the
source classifier. We validate our method in scenarios where the distribution
shift involves brightness, contrast, and rotation and show that it outperforms
fine-tuning baselines in scenarios with limited labeled data.
- Abstract(参考訳): 現在の教師なしドメイン適応手法は、様々な種類の分散シフトに対処できるが、ソースドメインからのデータは自由に利用できると仮定する。
事前訓練されたモデルの使用が普及するにつれて、ソースデータが利用できないと仮定することは妥当である。
本稿では,輝度やコントラストなどの自然な軸に沿ったソース領域から変化するターゲット領域に,ソース分類器を適応させる教師なしの手法を提案する。
このメソッドはラベルなしのターゲットインスタンスとソース分類子へのアクセスのみを必要とする。
分布シフトが輝度,コントラスト,回転を伴うシナリオにおいて,本手法を検証し,制限されたラベル付きデータを用いたシナリオにおいて,微調整ベースラインよりも優れることを示す。
関連論文リスト
- 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) - Source-Free Domain Adaptive Fundus Image Segmentation with Denoised
Pseudo-Labeling [56.98020855107174]
ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。
多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。
本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
論文 参考訳(メタデータ) (2021-09-19T06:38:21Z) - Uncertainty-Guided Mixup for Semi-Supervised Domain Adaptation without
Source Data [37.26484185691251]
ソースフリーなドメイン適応は、ソースデータにアクセスせずにドメイン適応を行うことによって問題を解決することを目的としている。
提案する不確実性誘導型Mixupは,表現のドメイン内差を低減し,ソースデータに直接アクセスすることなくドメイン間アライメントを行う。
提案手法は,最近の半教師付きベースラインよりも優れており,教師なし変種は競争性能を達成する。
論文 参考訳(メタデータ) (2021-07-14T13:54:02Z) - Unsupervised Multi-source Domain Adaptation Without Access to Source
Data [58.551861130011886]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインから知識を転送することで、ラベル付きドメインの予測モデルを学ぶことを目的としている。
本稿では,ソースモデルと適切な重み付けを自動的に組み合わせ,少なくとも最良のソースモデルと同等の性能を発揮する新しい効率的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-04-05T10:45:12Z) - Domain Impression: A Source Data Free Domain Adaptation Method [27.19677042654432]
教師なしドメイン適応法は、ソースデータセットがすべてのラベルで利用可能であると仮定して、ラベルなしのターゲットセットの適応問題を解決する。
本稿では,ソースデータを必要としないドメイン適応手法を提案する。
ソースデータの代わりに、ソースデータに基づいてトレーニングされた分類器のみを提供しています。
論文 参考訳(メタデータ) (2021-02-17T19:50:49Z) - Source-free Domain Adaptation via Distributional Alignment by Matching
Batch Normalization Statistics [85.75352990739154]
ソースフリー設定のための新しいドメイン適応手法を提案する。
未観測のソースデータの分布を近似するために,事前学習モデルに格納されたバッチ正規化統計を用いた。
本手法は最先端のドメイン適応手法で競合性能を実現する。
論文 参考訳(メタデータ) (2021-01-19T14:22:33Z) - Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。
本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。
その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
論文 参考訳(メタデータ) (2020-10-01T10:44:31Z) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳(メタデータ) (2020-02-20T03:13:58Z)
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。