論文の概要: Unveiling Class-Labeling Structure for Universal Domain Adaptation

• arxiv url: http://arxiv.org/abs/2010.04873v1
• Date: Sat, 10 Oct 2020 02:13:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 22:36:51.860199
• Title: Unveiling Class-Labeling Structure for Universal Domain Adaptation
• Title（参考訳）: ユニバーサルドメイン適応のためのクラスラベル構造
• Authors: Yueming Yin, Zhen Yang (Senior Member, IEEE), Xiaofu Wu, and Haifeng Hu
• Abstract要約: 共用ラベル集合の探索には確率論的手法を用いており、各ソースクラスは確率で共用ラベル集合から来ることができる。 共通ラベル集合に対する確率的構造を組み込んだ単純なユニバーサル適応ネットワーク(S-UAN)を提案する。 実験により、S-UANは異なるUDA設定でうまく機能し、最先端の手法よりも大きなマージンで優れていることが示された。
• 参考スコア（独自算出の注目度）: 12.411096265140479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a more practical setting for unsupervised domain adaptation, Universal Domain Adaptation (UDA) is recently introduced, where the target label set is unknown. One of the big challenges in UDA is how to determine the common label set shared by source and target domains, as there is simply no labeling available in the target domain. In this paper, we employ a probabilistic approach for locating the common label set, where each source class may come from the common label set with a probability. In particular, we propose a novel approach for evaluating the probability of each source class from the common label set, where this probability is computed by the prediction margin accumulated over the whole target domain. Then, we propose a simple universal adaptation network (S-UAN) by incorporating the probabilistic structure for the common label set. Finally, we analyse the generalization bound focusing on the common label set and explore the properties on the target risk for UDA. Extensive experiments indicate that S-UAN works well in different UDA settings and outperforms the state-of-the-art methods by large margins.
• Abstract（参考訳）: 教師なしドメイン適応のためのより実用的な設定として、Universal Domain Adaptation (UDA)が最近導入され、ターゲットのラベルセットが不明になっている。 UDAの大きな課題の1つは、ソースとターゲットドメインが共有する共通ラベルセットを決定する方法である。 本稿では,共通ラベル集合を探索する確率論的手法を用いて,各ソースクラスが確率を持つ共通ラベル集合から来る可能性があることを示す。 特に,各ソースクラスの確率を共通ラベル集合から評価するための新しい手法を提案し,この確率は対象領域全体にわたって蓄積された予測マージンによって計算される。 そこで我々は,共通ラベル集合に対する確率的構造を組み込んだ単純なユニバーサル適応ネットワーク(S-UAN)を提案する。 最後に、共通ラベル集合に着目した一般化を分析し、UDAの目標リスクに関する特性について検討する。 大規模な実験により、S-UANは異なるUDA設定でうまく機能し、最先端の手法よりも大きなマージンで優れていることが示されている。

関連論文リスト

• Harnessing Hierarchical Label Distribution Variations in Test Agnostic Long-tail Recognition [114.96385572118042]
  テストラベルの分布の変動は階層的にグローバルレベルとローカルレベルに分解できると主張している。 ラベル分布の異なるDirichletメタ分布に専門家を割り当てる新しいMoE戦略である$mathsfDirMixE$を提案する。 本稿では,分散に基づく正規化による一般化の促進による目的性を示す。
  論文  参考訳（メタデータ） (2024-05-13T14:24:56Z)
• Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
  UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。 本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。 本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T13:52:00Z)
• Universal Semi-Supervised Domain Adaptation by Mitigating Common-Class Bias [16.4249819402209]
  我々はUniversal Semi-Supervised Domain Adaptation (UniSSDA)を紹介する。 UniSSDAはUniversal Domain Adaptation (UniDA)とSemi-Supervised Domain Adaptation (SSDA)の交差点にある 疑似ラベルによる共通クラスバイアスの強化を抑えるための,事前誘導型擬似ラベル改善戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-17T14:43:47Z)
• 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)
• Generalized Universal Domain Adaptation with Generative Flow Networks [76.1350941965148]
  Generalized Universal Domain Adaptationは、未知のカテゴリを含む全てのターゲットラベルの正確な予測を実現することを目的としている。 GUDAはラベル分布シフトベースとラベル空間ミスマッチベースとのギャップを埋める。 本稿では,報酬関数に比例した確率を持つ多種多様なサンプルを選択する,GFlowDAというドメイン適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-08T05:34:15Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく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） (2023-03-10T14:11:09Z)
• Unified Optimal Transport Framework for Universal Domain Adaptation [27.860165056943796]
  Universal Domain Adaptation (UniDA) は、ソースドメインからターゲットドメインに、ラベルセットに制約を加えることなく知識を転送することを目的としている。 既存のほとんどの手法では、共通サンプルを検出するために手動で指定または手動のしきい値を必要とする。 我々は、これらの問題を統一されたフレームワーク、すなわちUniOTで処理するために、最適なトランスポート(OT)を提案する。
  論文  参考訳（メタデータ） (2022-10-31T05:07:09Z)
• 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)
• A Sample Selection Approach for Universal Domain Adaptation [94.80212602202518]
  普遍シナリオにおける教師なし領域適応の問題について検討する。 ソースドメインとターゲットドメインの間で共有されるクラスは、一部のみである。 共有クラスのサンプルの同定に有効なスコアリング方式を提案する。
  論文  参考訳（メタデータ） (2020-01-14T22:28:43Z)

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。