論文の概要: Ensemble Multi-Source Domain Adaptation with Pseudolabels

• arxiv url: http://arxiv.org/abs/2009.14248v1
• Date: Tue, 29 Sep 2020 18:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 05:34:37.282836
• Title: Ensemble Multi-Source Domain Adaptation with Pseudolabels
• Title（参考訳）: 擬似ラベルを用いたマルチソースドメイン適応
• Authors: Seongmin Lee, Hyunsik Jeon and U Kang
• Abstract要約: マルチソースドメイン適応(MSDA)は、ターゲットデータラベルがない場合に、ターゲットデータセットとは異なる複数のソースデータセットを使用してモデルをトレーニングすることを目的としている。 既存のMSDAフレームワークは、各ドメインの条件分布 p(x|y) を考慮せずにデータを整列するので制限されている。 マルチソースドメイン適応のための新しい手法であるPseudolabels (EnMDAP) を用いたEnsemble Multi-source Domain Adaptationを提案する。
• 参考スコア（独自算出の注目度）: 21.481053348141597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given multiple source datasets with labels, how can we train a target model with no labeled data? Multi-source domain adaptation (MSDA) aims to train a model using multiple source datasets different from a target dataset in the absence of target data labels. MSDA is a crucial problem applicable to many practical cases where labels for the target data are unavailable due to privacy issues. Existing MSDA frameworks are limited since they align data without considering conditional distributions p(x|y) of each domain. They also miss a lot of target label information by not considering the target label at all and relying on only one feature extractor. In this paper, we propose Ensemble Multi-source Domain Adaptation with Pseudolabels (EnMDAP), a novel method for multi-source domain adaptation. EnMDAP exploits label-wise moment matching to align conditional distributions p(x|y), using pseudolabels for the unavailable target labels, and introduces ensemble learning theme by using multiple feature extractors for accurate domain adaptation. Extensive experiments show that EnMDAP provides the state-of-the-art performance for multi-source domain adaptation tasks in both of image domains and text domains.
• Abstract（参考訳）: ラベル付きソースデータセットが複数ある場合、ラベル付きデータなしでターゲットモデルをトレーニングするにはどうすればよいのか? マルチソースドメイン適応(MSDA)は、ターゲットデータラベルがない場合に、ターゲットデータセットとは異なる複数のソースデータセットを使用してモデルをトレーニングすることを目的としている。 MSDAは、プライバシの問題によりターゲットデータのラベルが利用できない多くの実践事例に適用できる重要な問題である。 既存のMSDAフレームワークは、各ドメインの条件分布 p(x|y) を考慮せずにデータを整列するので制限されている。 また、ターゲットラベルを全く考慮せず、1つの特徴抽出器のみに依存しているため、多くのターゲットラベル情報を見逃している。 本稿では,マルチソースドメイン適応のための新しい手法であるpseudolabels(enmdap)を用いたマルチソースドメイン適応手法を提案する。 EnMDAPは、条件分布p(x|y)を整列するためにラベルワイズ・モーメント・マッチングを利用し、不利用可能なターゲットラベルの擬似ラベルを用いて、複数の特徴抽出器を用いて正確なドメイン適応を行う。 大規模な実験により,EnMDAPは画像領域とテキスト領域の両方において,マルチソース領域適応タスクに最先端のパフォーマンスを提供することがわかった。

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)
• Open-Set Multi-Source Multi-Target Domain Adaptation [0.0]
  Single-Source Single-Target Domain Adaptationは、ラベル付きソースドメインと非ラベル付きターゲットドメインの間のギャップを埋めることを目的としている。 最近のOpen-Set Domain Adaptation法は、未知のターゲットラベルを扱うが、複数のドメインで一般化できない。 我々は,複数のソースおよびターゲットドメインから情報をキャプチャできるDEGAAというグラフアテンションベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-02T10:29:23Z)
• Robust Target Training for Multi-Source Domain Adaptation [110.77704026569499]
  両レベル最適化に基づく新しいMSDAのためのロバスト目標訓練法(BORT$2$)を提案する。 提案手法は,大規模なDomainNetデータセットを含む3つのMSDAベンチマークにおいて,アートパフォーマンスの状態を達成している。
  論文  参考訳（メタデータ） (2022-10-04T15:20:01Z)
• 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)
• Multi-source Few-shot Domain Adaptation [26.725145982321287]
  マルチソースドメイン適応(MDA)は、複数の完全ラベルのソースドメインから未ラベルのターゲットドメインに予測モデルを転送することを目的としている。 本稿では,Multi-source Few-shot Domain Adaptation (MFDA)について検討する。 本稿では,MSFAN(Multi-Source Few-shot Adaptation Network)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-25T15:54:01Z)
• Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
  マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。 本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。 ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
  論文  参考訳（メタデータ） (2021-04-01T23:41:41Z)
• mDALU: Multi-Source Domain Adaptation and Label Unification with Partial Datasets [102.62639692656458]
  本稿では,この課題をマルチソースドメイン適応とラベル統一の問題として扱う。 本手法は,部分教師あり適応段階と完全教師あり適応段階からなる。 本手法は,画像分類,2次元意味画像分割,ジョイント2d-3d意味セグメンテーションの3つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-12-15T15:58:03Z)
• 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)
• Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
  マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。 複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。 4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-12T08:37:42Z)

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。