論文の概要: Clarinet: A One-step Approach Towards Budget-friendly Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2007.14612v2
• Date: Thu, 4 Mar 2021 06:09:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 19:24:32.227671
• Title: Clarinet: A One-step Approach Towards Budget-friendly Unsupervised Domain Adaptation
• Title（参考訳）: Clarinet: 予算に優しいドメイン適応に向けての一段階
• Authors: Yiyang Zhang, Feng Liu, Zhen Fang, Bo Yuan, Guangquan Zhang, Jie Lu
• Abstract要約: 教師なしドメイン適応(UDA)では、対象ドメインの分類器は、ソースドメインからの膨大な真ラベルデータと対象ドメインからの未ラベルデータで訓練される。 本稿では、対象ドメインの分類器を、ソースドメインからの補完ラベルデータと、対象ドメインからの未ラベルデータと、予算に優しいUDAとで訓練しなければならない、新たな問題設定について考察する。 The complementary label adversarial network (CLARINET) is proposed to solve the BFUDA problem。
• 参考スコア（独自算出の注目度）: 39.53192710720228
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In unsupervised domain adaptation (UDA), classifiers for the target domain are trained with massive true-label data from the source domain and unlabeled data from the target domain. However, it may be difficult to collect fully-true-label data in a source domain given a limited budget. To mitigate this problem, we consider a novel problem setting where the classifier for the target domain has to be trained with complementary-label data from the source domain and unlabeled data from the target domain named budget-friendly UDA (BFUDA). The key benefit is that it is much less costly to collect complementary-label source data (required by BFUDA) than collecting the true-label source data (required by ordinary UDA). To this end, the complementary label adversarial network (CLARINET) is proposed to solve the BFUDA problem. CLARINET maintains two deep networks simultaneously, where one focuses on classifying complementary-label source data and the other takes care of the source-to-target distributional adaptation. Experiments show that CLARINET significantly outperforms a series of competent baselines.
• Abstract（参考訳）: unsupervised domain adaptation(uda)では、ターゲットドメインの分類器は、ソースドメインからの巨大なtrue-labelデータと、ターゲットドメインからのunlabelデータで訓練される。 しかし、予算が限られているため、ソースドメインで完全なラベルデータを集めるのは難しいかもしれません。 この問題を軽減するために,対象ドメインの分類器を,ソースドメインからの補完ラベルデータと,対象ドメインのラベルなしデータとで訓練する必要がある,予算フレンドリーuda(bfuda)という新たな問題を考える。 主な利点は、(BFUDAが要求する)補完ラベルのソースデータを収集するコストが、(通常のUDAが要求する)真のラベルのソースデータを収集するコストよりもはるかに少ないことである。 この目的のために、BFUDA問題を解決するためにCLARINET(Compleorary label adversarial Network)を提案する。 clarinetは2つのディープネットワークを同時に維持しており、1つは補完ラベルのソースデータを分類し、もう1つはソースからターゲットへの分散適応を扱う。 CLARINETは、一連の有能なベースラインを著しく上回っている。

関連論文リスト

• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• IT-RUDA: Information Theory Assisted Robust Unsupervised Domain Adaptation [7.225445443960775]
  トレイン(ソース)とテスト(ターゲット)データセット間の分散シフトは、マシンラーニングアプリケーションで発生する一般的な問題である。 UDA技術はラベル豊富なソースドメインからラベルのないターゲットドメインへの知識伝達を行う。 ソースまたはターゲットデータセットのいずれかに存在するアウトリーチは、実際にUDAを使用する場合、さらなる課題をもたらす可能性がある。
  論文  参考訳（メタデータ） (2022-10-24T04:33:52Z)
• Cross-Domain Few-Shot Classification via Inter-Source Stylization [11.008292768447614]
  Cross-Domain Few-Shot Classification (CDFSC)は、限られたラベル付きデータでターゲットデータセットを正確に分類することである。 本稿では、追加のラベル付けコストを必要とせずに複数のソースドメインを利用するソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-17T01:44:32Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• 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)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• Learning from a Complementary-label Source Domain: Theory and Algorithms [39.53192710720228]
  本稿では、ソースドメインが相補的なラベルデータで構成されているという新しい設定を提案する。 CC-UDA と PC-UDA の問題を解決するために,CLARINET が提案されている。 実験により、CLARINETは手書き文字認識とオブジェクト認識タスクにおいて、一連の有能なベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-08-04T10:49:35Z)

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。