論文の概要: Learning from a Complementary-label Source Domain: Theory and Algorithms

• arxiv url: http://arxiv.org/abs/2008.01454v1
• Date: Tue, 4 Aug 2020 10:49:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 23:30:55.556381
• Title: Learning from a Complementary-label Source Domain: Theory and Algorithms
• Title（参考訳）: 相補的ラベル源領域からの学習:理論とアルゴリズム
• Authors: Yiyang Zhang, Feng Liu, Zhen Fang, Bo Yuan, Guangquan Zhang, Jie Lu
• Abstract要約: 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。
• 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), a classifier for the target domain is trained with massive true-label data from the source domain and unlabeled data from the target domain. However, collecting fully-true-label data in the source domain is high-cost and sometimes impossible. Compared to the true labels, a complementary label specifies a class that a pattern does not belong to, hence collecting complementary labels would be less laborious than collecting true labels. Thus, in this paper, we propose a novel setting that the source domain is composed of complementary-label data, and a theoretical bound for it is first proved. We consider two cases of this setting, one is that the source domain only contains complementary-label data (completely complementary unsupervised domain adaptation, CC-UDA), and the other is that the source domain has plenty of complementary-label data and a small amount of true-label data (partly complementary unsupervised domain adaptation, PC-UDA). To this end, a complementary label adversarial network} (CLARINET) is proposed to solve CC-UDA and PC-UDA problems. CLARINET maintains two deep networks simultaneously, where one focuses on classifying complementary-label source data and the other takes care of source-to-target distributional adaptation. Experiments show that CLARINET significantly outperforms a series of competent baselines on handwritten-digits-recognition and objects-recognition tasks.
• 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真のラベルデータと、ターゲットドメインからのラベルなしデータで訓練される。 しかし、ソース領域における完全なラベルデータの収集は、高コストであり、時には不可能である。 真のラベルと比較して、補完ラベルはパターンが属さないクラスを特定するため、補完ラベルの収集は真のラベルの収集よりも手間がかからない。 そこで,本稿では,ソース領域が相補ラベルデータで構成された新しい設定を提案し,その理論的なバウンドを最初に証明する。 1つは、ソースドメインが補完的なラベルデータのみ(完全補完的なドメイン適応、CC-UDA)を持ち、もう1つは、ソースドメインが補完的なラベルデータと、少数の真のラベルデータ(部分的に補完的なドメイン適応、PC-UDA)を持っていることである。 この目的のために,CC-UDAとPC-UDAの問題を解決するために,CLARINET (Comparary 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。 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ることが示された。

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)
• Discovering Domain Disentanglement for Generalized Multi-source Domain Adaptation [48.02978226737235]
  典型的なマルチソースドメイン適応(MSDA)アプローチは、ラベル付きソースドメインから学習した知識を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る。 本稿では、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立性を奨励する変動型ドメイン・アンタングルメント(VDD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-11T04:33:08Z)
• 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)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• 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)
• Clarinet: A One-step Approach Towards Budget-friendly Unsupervised Domain Adaptation [39.53192710720228]
  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。
  論文  参考訳（メタデータ） (2020-07-29T05:31:58Z)

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。