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
- 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) - Combating Label Distribution Shift for Active Domain Adaptation [16.270897459117755]
我々は、未ラベルのターゲットデータに対するアクティブドメイン適応(ADA)の問題を考える。
ドメイン適応におけるソースとターゲット間のラベル分布ミスマッチから重要な問題に対する最近の分析から着想を得て,ADAで初めてこの問題に対処する手法を考案した。
論文 参考訳(メタデータ) (2022-08-13T09:06:45Z) - S$^3$VAADA: Submodular Subset Selection for Virtual Adversarial Active
Domain Adaptation [49.01925978752677]
現実のシナリオでは、少数のターゲットデータに対してラベルを取得することは可能かもしれません。
我々は,S$3$VAADAを提案する。これは,ラベルに対する最大情報サブセットを選択するための,新しいサブモジュール基準を導入し,また,クラスタベースのDA手順を強化する。
我々のアプローチは、ドメインシフトの度合いの異なるデータセットにおいて、競合する最先端のアプローチよりも一貫して優れています。
論文 参考訳(メタデータ) (2021-09-18T10:53:57Z) - 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) - Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
マルチソースドメイン適応(MSDA)は、複数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タスク知識の転送を扱う。
ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
論文 参考訳(メタデータ) (2021-03-20T12:44:13Z) - 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。