Fugu-MT 論文翻訳(概要): Tackling unsupervised multi-source domain adaptation with optimism and consistency

論文の概要: Tackling unsupervised multi-source domain adaptation with optimism and consistency

arxiv url: http://arxiv.org/abs/2009.13939v1
Date: Tue, 29 Sep 2020 11:55:14 GMT
ステータス: 処理完了
システム内更新日: 2022-10-13 05:00:38.467682
Title: Tackling unsupervised multi-source domain adaptation with optimism and consistency
Title（参考訳）: 最適化と一貫性を備えた教師なしマルチソースドメイン適応への取り組み
Authors: Diogo Pernes and Jaime S. Cardoso
Abstract要約: マルチソースドメイン適応は、ソースドメインが元のソースドメインの混合に対応する単一のソースドメイン適応タスクとみなすことができる。本稿では,両課題に対処し,目標試料に対する軽度に楽観的な客観的関数と整合性正規化を用いることで,最先端技術に打ち勝つ新しい枠組みを提案する。
参考スコア（独自算出の注目度）: 3.1219977244201056
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: It has been known for a while that the problem of multi-source domain adaptation can be regarded as a single source domain adaptation task where the source domain corresponds to a mixture of the original source domains. Nonetheless, how to adjust the mixture distribution weights remains an open question. Moreover, most existing work on this topic focuses only on minimizing the error on the source domains and achieving domain-invariant representations, which is insufficient to ensure low error on the target domain. In this work, we present a novel framework that addresses both problems and beats the current state of the art by using a mildly optimistic objective function and consistency regularization on the target samples.
Abstract（参考訳）: マルチソースドメイン適応の問題は、ソースドメインが元のソースドメインの混合に対応する単一ソースドメイン適応タスクとみなすことができることは、しばらく前から知られていた。それでも、どのように混合分布の重みを調整するかは未解決の問題である。さらに、このトピックに関する既存のほとんどの研究は、ソースドメインのエラーを最小限に抑え、ターゲットドメインの低いエラーを保証するのに不十分なドメイン不変表現を実現することだけに焦点を当てている。本稿では,軽度に楽観的な客観的関数と対象サンプルの一貫性正規化を用いて,両方の問題に対処し,現在の技術に勝る新たな枠組みを提案する。

関連論文リスト

Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文参考訳（メタデータ） (2023-11-21T13:12:21Z)
Meta-causal Learning for Single Domain Generalization [102.53303707563612]
単一ドメインの一般化は、単一のトレーニングドメイン(ソースドメイン)からモデルを学び、それを複数の未確認テストドメイン(ターゲットドメイン)に適用することを目的としている。既存の方法は、ターゲットドメインをカバーするためのトレーニングドメインの配布拡大に重点を置いているが、ソースとターゲットドメイン間のドメインシフトを見積もることはできない。そこで本研究では,まず,対象ドメインとして補助ドメインを構築することによってドメインシフトをシミュレートし,ドメインシフトの原因を解析し,最終的にモデル適応のためのドメインシフトを低減する,新たな学習パラダイムを提案する。
論文参考訳（メタデータ） (2023-04-07T15:46:38Z)
RAIN: RegulArization on Input and Network for Black-Box Domain Adaptation [80.03883315743715]
ソースのないドメイン適応は、ソースデータを公開することなく、ソース訓練されたモデルをターゲットドメインに転送する。このパラダイムは、ソースモデルに対する敵対的な攻撃のため、データ漏洩のリスクがある。そこで我々は,入力レベルとネットワークレベルの両方の正規化からブラックボックスドメインを適応させる新しい手法であるRAIN(RegulArization on Input and Network)を提案する。
論文参考訳（メタデータ） (2022-08-22T18:18:47Z)
Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge [22.285156929279207]
ドメインの一般化は、目に見えないターゲットドメインでうまく機能する普遍的なモデルを学ぶことを目的としている。 We propose a novel domain generalization framework called Wasserstein Distributionally Robust Domain Generalization (WDRDG)。
論文参考訳（メタデータ） (2022-07-11T14:46:50Z)
Gradual Domain Adaptation via Normalizing Flows [2.7467053150385956]
ソースドメインとターゲットドメインの間には大きなギャップがある。グラデーショナル・ドメイン適応(Gradual Domain adapt)は、この問題に対処するために使用されるアプローチの1つである。本稿では,この問題に対処するための正規化フローを提案する。
論文参考訳（メタデータ） (2022-06-23T06:24:50Z)
Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification [57.92800886719651]
近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。 MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
論文参考訳（メタデータ） (2021-06-16T07:29:27Z)
Aggregating From Multiple Target-Shifted Sources [7.644958631142882]
マルチソースドメイン適応は、複数のタスクからの知識を活用して関連するターゲットドメインを予測することを目的としている。本稿では,近年のソース選択アプローチが失敗している異なるラベル分布のソースドメインを集約する問題を分析した。提案アルゴリズムは従来の手法とは2つの重要な方法で異なる: モデルは主に境界分布ではなくセマンティック条件分布の類似性を通じて複数のソースを集約する。
論文参考訳（メタデータ） (2021-05-09T23:25:29Z)
Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
論文参考訳（メタデータ） (2021-03-19T01:22:12Z)
Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain Adaptation [7.538482310185133]
本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。 Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
論文参考訳（メタデータ） (2020-05-25T19:54:38Z)
Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。本稿では,効率よく実装された深部残留補正網を提案する。部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
論文参考訳（メタデータ） (2020-04-10T06:07:16Z)

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。