論文の概要: Domain Agnostic Learning for Unbiased Authentication

• arxiv url: http://arxiv.org/abs/2010.05250v2
• Date: Mon, 23 Nov 2020 09:13:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 12:50:21.933659
• Title: Domain Agnostic Learning for Unbiased Authentication
• Title（参考訳）: 不正認証のためのドメイン非依存学習
• Authors: Jian Liang, Yuren Cao, Shuang Li, Bing Bai, Hao Li, Fei Wang, Kun Bai
• Abstract要約: ドメインラベルなしでドメインの差分を除去するドメインに依存しない手法を提案する。 潜伏領域は入力と出力の間の不均一な予測関係を学習することによって発見される。 提案手法をメタラーニングフレームワークに拡張し,ドメイン差分除去をより徹底的に進める。
• 参考スコア（独自算出の注目度）: 47.85174796247398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Authentication is the task of confirming the matching relationship between a data instance and a given identity. Typical examples of authentication problems include face recognition and person re-identification. Data-driven authentication could be affected by undesired biases, i.e., the models are often trained in one domain (e.g., for people wearing spring outfits) while applied in other domains (e.g., they change the clothes to summer outfits). Previous works have made efforts to eliminate domain-difference. They typically assume domain annotations are provided, and all the domains share classes. However, for authentication, there could be a large number of domains shared by different identities/classes, and it is impossible to annotate these domains exhaustively. It could make domain-difference challenging to model and eliminate. In this paper, we propose a domain-agnostic method that eliminates domain-difference without domain labels. We alternately perform latent domain discovery and domain-difference elimination until our model no longer detects domain-difference. In our approach, the latent domains are discovered by learning the heterogeneous predictive relationships between inputs and outputs. Then domain-difference is eliminated in both class-dependent and class-independent spaces to improve robustness of elimination. We further extend our method to a meta-learning framework to pursue more thorough domain-difference elimination. Comprehensive empirical evaluation results are provided to demonstrate the effectiveness and superiority of our proposed method.
• Abstract（参考訳）: 認証は、データインスタンスと所定のID間のマッチング関係を確認するタスクである。 認証問題の典型的な例は、顔認識と人物の再識別である。 データ駆動認証は、望ましくないバイアス、すなわち、モデルが1つのドメイン(例えば、春の服を着ている人)で訓練され、他のドメイン(例えば、服を夏服に変更する)で適用されることがある。 それまでの作業は、ドメイン差分を排除しようと努力してきた。 通常、ドメインアノテーションが提供され、すべてのドメインがクラスを共有していると仮定する。 しかし、認証には、異なるID/クラスで共有される多数のドメインがあり、これらのドメインを徹底的に注釈付けすることは不可能である。 ドメインディファレンスがモデル化と排除を難しくする可能性がある。 本稿では,ドメインラベルなしでドメインの差分を除去するドメイン非依存手法を提案する。 モデルがもはやドメイン差を検出しなくなるまで、潜在ドメイン発見とドメイン差分除去を交互に行う。 提案手法では,入力と出力の間の不均質な予測関係を学習することで潜在領域を発見する。 次に、クラス依存空間とクラス非依存空間の両方においてドメイン差を排除し、除去の堅牢性を改善する。 さらに、我々の手法をメタラーニングフレームワークに拡張し、より徹底的なドメイン差除去を追求する。 提案手法の有効性と優位性を示すための総合的な実験評価結果を提供する。

関連論文リスト

• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• A Unified Causal View of Domain Invariant Representation Learning [19.197022592928164]
  トレーニング対象のドメインと異なるドメインにデプロイされた場合、マシンラーニングメソッドは信頼性が低い。 本稿では,異なる手法が相互にどのように関係し,それぞれの成功を期待する現実的状況を明らかにする。
  論文  参考訳（メタデータ） (2022-08-15T03:08:58Z)
• Domain Generalization via Selective Consistency Regularization for Time Series Classification [16.338176636365752]
  ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。 本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-16T01:57:35Z)
• Domain-Class Correlation Decomposition for Generalizable Person Re-Identification [34.813965300584776]
  個人の再識別では、ドメインとクラスは相関する。 このドメイン・クラス間の相関関係により、ドメインの敵対的学習はクラスに関する特定の情報を失うことが示される。 我々のモデルは、大規模ドメイン一般化Re-IDベンチマークにおいて最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-06-29T09:45:03Z)
• Learning to Share by Masking the Non-shared for Multi-domain Sentiment Classification [24.153584996936424]
  テキストからドメイン関連語を明示的にマスキングし,これらのドメインに依存しないテキストからドメイン不変感の特徴を学習し,それらのマスキング語を用いてドメイン認識文表現を形成するネットワークを提案する。 適応度の高い複数領域感情分類データセットの実証実験により,提案モデルの有効性が実証された。
  論文  参考訳（メタデータ） (2021-04-17T08:15:29Z)
• Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation [91.58443042554903]
  FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。 PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。 最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
  論文  参考訳（メタデータ） (2021-03-31T02:07:42Z)
• Domain Generalization in Biosignal Classification [37.70077538403524]
  本研究は,生体信号データの領域一般化を初めて研究したものである。 提案手法は4つの未確認領域に対して最大16%の精度向上を実現する。
  論文  参考訳（メタデータ） (2020-11-12T05:15:46Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処する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） (2020-03-08T14:20:24Z)

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。