論文の概要: Open Set Domain Adaptation using Optimal Transport

• arxiv url: http://arxiv.org/abs/2010.01045v1
• Date: Fri, 2 Oct 2020 15:20:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 00:50:15.043868
• Title: Open Set Domain Adaptation using Optimal Transport
• Title（参考訳）: 最適輸送を用いたオープンセット領域適応
• Authors: Marwa Kechaou, Romain H\'erault, Mokhtar Z. Alaya and Gilles Gasso
• Abstract要約: 本稿では,ソース分布からターゲット分布へのマッピングを行う2段階の最適輸送手法を提案する。 最初のステップは、最適なトランスポートプランを使用して、これらの新しいクラスから発行されたサンプルを拒否することを目的としている。 2番目のステップは、最適な輸送問題として、目標(クラス比)シフトをまだ解決する。
• 参考スコア（独自算出の注目度）: 8.076841611508486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a 2-step optimal transport approach that performs a mapping from a source distribution to a target distribution. Here, the target has the particularity to present new classes not present in the source domain. The first step of the approach aims at rejecting the samples issued from these new classes using an optimal transport plan. The second step solves the target (class ratio) shift still as an optimal transport problem. We develop a dual approach to solve the optimization problem involved at each step and we prove that our results outperform recent state-of-the-art performances. We further apply the approach to the setting where the source and target distributions present both a label-shift and an increasing covariate (features) shift to show its robustness.
• Abstract（参考訳）: 本稿では,ソース分布からターゲット分布へのマッピングを行う2段階の最適輸送手法を提案する。 ここでは、ターゲットはソースドメインに存在しない新しいクラスを提示する特質を持っている。 このアプローチの最初のステップは、これらの新しいクラスから発行されたサンプルを最適な輸送計画を使って拒否することである。 2番目のステップは、最適な輸送問題として、目標(クラス比)シフトをまだ解決する。 我々は,各ステップにおける最適化問題を解くための2重アプローチを開発し,その結果が最近の最先端性能を上回っていることを証明した。 さらに、ソースとターゲットの分布がラベルシフトとコバリアイト(機能)シフトの両方を示し、その堅牢性を示すような設定にアプローチを適用する。

関連論文リスト

• Optimal Transport for Domain Adaptation through Gaussian Mixture Models [7.292229955481438]
  本稿では,ガウス混合モデルを用いてデータ分布をモデル化する手法を提案する。 最適なトランスポートソリューションは、ソースとターゲットドメインの混合コンポーネントのマッチングを提供します。 断層診断における2つの領域適応ベンチマークを用いて,本手法の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-03-18T09:32:33Z)
• A Class-aware Optimal Transport Approach with Higher-Order Moment Matching for Unsupervised Domain Adaptation [33.712557972990034]
  Unsupervised domain adapt (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ことを目的としている。 本稿では,クラス対応最適輸送(OT)と呼ばれる新しい手法を導入し,ソースのクラス条件分布上の分布間のOT距離を計測する。
  論文  参考訳（メタデータ） (2024-01-29T08:27:31Z)
• MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
  セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:55:22Z)
• Fast OT for Latent Domain Adaptation [25.915629674463286]
  本稿では,最適輸送理論を検証可能かつ実装可能な解を用いて,最適な潜在特徴表現を学習するアルゴリズムを提案する。 これは、サンプルをターゲットドメインからソースドメインの配布に転送するコストを最小化することで達成される。
  論文  参考訳（メタデータ） (2022-10-02T10:25:12Z)
• Towards Optimization and Model Selection for Domain Generalization: A Mixup-guided Solution [43.292274574847234]
  そこで本研究では,ドメイン一般化のためのMixupガイドによる最適化と選択手法を提案する。 最適化のために、好みの方向を導出するアウト・オブ・ディストリビューション・データセットを利用する。 モデル選択のために、ターゲット分布に近づいた検証データセットを生成する。
  論文  参考訳（メタデータ） (2022-09-01T02:18:00Z)
• Connecting adversarial attacks and optimal transport for domain adaptation [116.50515978657002]
  ドメイン適応では、ソースドメインのサンプルに基づいてトレーニングされた分類器をターゲットドメインに適応させることが目標である。 提案手法では,最適なトランスポートを用いて,対象のサンプルをソース・フィクションという名前のドメインにマッピングする。 我々の主なアイデアは、ターゲットドメイン上のc-環状モノトン変換によってソースフィクションを生成することである。
  論文  参考訳（メタデータ） (2022-05-30T20:45:55Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• On Generating Transferable Targeted Perturbations [102.3506210331038]
  伝達性の高い標的摂動に対する新しい生成的アプローチを提案する。 私たちのアプローチは、ターゲットクラスの「乱れた画像分布」にマッチし、高いターゲット転送率につながります。
  論文  参考訳（メタデータ） (2021-03-26T17:55:28Z)
• Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
  ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。 本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。 GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
  論文  参考訳（メタデータ） (2020-11-06T14:01:03Z)
• Multi-source Domain Adaptation via Weighted Joint Distributions Optimal Transport [35.37752209765114]
  未ラベルのターゲットデータセットに対するドメイン適応に対する新しいアプローチを提案する。 我々は,対象タスクの重み付けを手元に調整することで,ソース分布の多様性を利用する。 Weighted Joint Distribution Optimal Transport (WJDOT) と名付けられた本手法は,ソースとターゲットの分布の最適輸送に基づくアライメントを同時に見つけることを目的としている。
  論文  参考訳（メタデータ） (2020-06-23T12:33:30Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための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） (2020-02-06T22:58:20Z)

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。