論文の概要: Learning Domain-invariant Graph for Adaptive Semi-supervised Domain
Adaptation with Few Labeled Source Samples
- arxiv url: http://arxiv.org/abs/2008.09359v1
- Date: Fri, 21 Aug 2020 08:13:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 21:46:49.317977
- Title: Learning Domain-invariant Graph for Adaptive Semi-supervised Domain
Adaptation with Few Labeled Source Samples
- Title(参考訳): ラベル付きサンプルの少ない適応的半教師付き領域適応のための学習領域不変グラフ
- Authors: Jinfeng Li, Weifeng Liu, Yicong Zhou, Jun Yu, Dapeng Tao
- Abstract要約: ドメイン適応は、ソースドメインからモデルを一般化して、関連するが異なるターゲットドメインのタスクに取り組むことを目的としています。
従来のドメイン適応アルゴリズムは、事前知識として扱われる十分なラベル付きデータがソースドメインで利用できると仮定する。
少数のラベル付きソースサンプルを用いたドメイン適応のためのドメイン不変グラフ学習(DGL)手法を提案する。
- 参考スコア(独自算出の注目度): 65.55521019202557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptation aims to generalize a model from a source domain to tackle
tasks in a related but different target domain. Traditional domain adaptation
algorithms assume that enough labeled data, which are treated as the prior
knowledge are available in the source domain. However, these algorithms will be
infeasible when only a few labeled data exist in the source domain, and thus
the performance decreases significantly. To address this challenge, we propose
a Domain-invariant Graph Learning (DGL) approach for domain adaptation with
only a few labeled source samples. Firstly, DGL introduces the Nystrom method
to construct a plastic graph that shares similar geometric property as the
target domain. And then, DGL flexibly employs the Nystrom approximation error
to measure the divergence between plastic graph and source graph to formalize
the distribution mismatch from the geometric perspective. Through minimizing
the approximation error, DGL learns a domain-invariant geometric graph to
bridge source and target domains. Finally, we integrate the learned
domain-invariant graph with the semi-supervised learning and further propose an
adaptive semi-supervised model to handle the cross-domain problems. The results
of extensive experiments on popular datasets verify the superiority of DGL,
especially when only a few labeled source samples are available.
- Abstract(参考訳): ドメイン適応は、ソースドメインからモデルを一般化して、関連するが異なるターゲットドメインのタスクに取り組むことを目的としています。
従来のドメイン適応アルゴリズムは、事前知識として扱われる十分なラベル付きデータがソースドメインで利用できると仮定する。
しかし、ソースドメインにラベル付きデータしか存在しない場合、これらのアルゴリズムは実現できないため、パフォーマンスは大幅に低下する。
この課題に対処するために,いくつかのラベル付きソースサンプルのみを用いたドメイン適応のためのドメイン不変グラフ学習(dgl)手法を提案する。
まず、DGLはNystrom法を導入し、ターゲット領域と類似した幾何学的性質を持つプラスチックグラフを構築する。
そして、DGLはNystrom近似誤差を柔軟に利用して、プラスチックグラフとソースグラフのばらつきを測定し、幾何学的観点から分布ミスマッチを定式化する。
近似誤差を最小化することで、dglはブリッジソースとターゲットドメインへのドメイン不変な幾何グラフを学習する。
最後に,学習した領域不変グラフを半教師付き学習と統合し,さらにクロスドメイン問題を扱う適応半教師付きモデルを提案する。
一般的なデータセットに関する広範な実験の結果は、特にラベル付きソースサンプルがわずかである場合に、DGLの優位性を検証する。
関連論文リスト
- Multi-source Unsupervised Domain Adaptation on Graphs with Transferability Modeling [35.39202826643388]
本稿では、グラフモデリングに基づくドメインセレクタ、サブグラフノードセレクタ、およびバイレベルアライメント目的を備えた、グラフのためのSelective Multi-source Adaptation for Graph(method)を提案する。
5つのグラフデータセットの結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-06-14T22:05:21Z) - 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) - Instance Relation Graph Guided Source-Free Domain Adaptive Object
Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。
UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。
Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文 参考訳(メタデータ) (2022-03-29T17:50:43Z) - Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。
既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。
現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。
我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
論文 参考訳(メタデータ) (2021-12-02T03:18:18Z) - Discrepancy Minimization in Domain Generalization with Generative
Nearest Neighbors [13.047289562445242]
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。
シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。
本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
論文 参考訳(メタデータ) (2020-07-28T14:54:25Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳(メタデータ) (2020-03-09T12:25:13Z) - 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。