論文の概要: Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation
- arxiv url: http://arxiv.org/abs/2008.11873v1
- Date: Thu, 27 Aug 2020 00:53:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 07:53:48.657259
- Title: Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation
- Title（参考訳）: 部分領域適応のための適応的な知識伝達
- Authors: Taotao Jing, Haifeng Xia, Zhengming Ding
- Abstract要約: 部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
- 参考スコア（独自算出の注目度）: 66.74638960925854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Partial domain adaptation (PDA) attracts appealing attention as it deals with
a realistic and challenging problem when the source domain label space
substitutes the target domain. Most conventional domain adaptation (DA) efforts
concentrate on learning domain-invariant features to mitigate the distribution
disparity across domains. However, it is crucial to alleviate the negative
influence caused by the irrelevant source domain categories explicitly for PDA.
In this work, we propose an Adaptively-Accumulated Knowledge Transfer framework
(A$^2$KT) to align the relevant categories across two domains for effective
domain adaptation. Specifically, an adaptively-accumulated mechanism is
explored to gradually filter out the most confident target samples and their
corresponding source categories, promoting positive transfer with more
knowledge across two domains. Moreover, a dual distinct classifier architecture
consisting of a prototype classifier and a multilayer perceptron classifier is
built to capture intrinsic data distribution knowledge across domains from
various perspectives. By maximizing the inter-class center-wise discrepancy and
minimizing the intra-class sample-wise compactness, the proposed model is able
to obtain more domain-invariant and task-specific discriminative
representations of the shared categories data. Comprehensive experiments on
several partial domain adaptation benchmarks demonstrate the effectiveness of
our proposed model, compared with the state-of-the-art PDA methods.
- Abstract（参考訳）: 部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱うため、魅力的な注目を集める。
従来のドメイン適応(da)の取り組みのほとんどは、ドメイン間の分散格差を緩和するために、ドメイン不変特徴の学習に集中している。
しかし、PDAの非関係なソースドメインカテゴリによって引き起こされる負の影響を緩和することが重要である。
本稿では,ドメイン適応を効果的に行うために,2つのドメインにまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$^2$KT)を提案する。
具体的には、適応的に蓄積されたメカニズムを用いて、最も確実なターゲットサンプルとその対応するソースカテゴリを徐々にフィルタリングし、2つの領域にまたがるより多くの知識でポジティブな転送を促進する。
さらに、プロトタイプ分類器と多層パーセプトロン分類器からなる二層別分類器アーキテクチャを構築し、ドメイン間の固有データ分散知識を様々な観点から把握する。
クラス間距離の最大化とクラス内サンプル幅のコンパクト化により、提案モデルは共有カテゴリデータのよりドメイン不変かつタスク固有な識別表現を得ることができる。
いくつかの部分領域適応ベンチマークにおける総合的な実験は、最先端のPDA法と比較して提案モデルの有効性を示す。
関連論文リスト
- CDA: Contrastive-adversarial Domain Adaptation [11.354043674822451]
我々はtextbfContrastive-adversarial textbfDomain textbfAdaptation textbf(CDA) と呼ばれるドメイン適応のための2段階モデルを提案する。
逆成分はドメインレベルのアライメントを促進するが、2段階のコントラスト学習はクラス情報を利用してドメイン間の高いクラス内コンパクト性を実現する。
論文 参考訳（メタデータ） (2023-01-10T07:43:21Z) - Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for
Multi-Source Domain Adaptation [2.734665397040629]
マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数の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。
異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。
本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-05T01:08:41Z) - From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。
近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。
本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
論文 参考訳（メタデータ） (2022-03-14T07:02:45Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳（メタデータ） (2021-04-03T01:33:14Z) - 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) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Class Conditional Alignment for Partial Domain Adaptation [10.506584969668792]
アドリア適応モデルは、ラベル付きソースデータセットからラベルなしターゲットデータセットへの知識の転送に向けて大きな進歩を見せている。
PDAは、ソースドメインが広く多様なシナリオを調査し、ターゲットラベル空間はソースラベル空間のサブセットである。
PDAのためのマルチクラス対向アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-03-14T23:51:57Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-04T23:25:09Z)
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。