論文の概要: Meta-Learning for Domain Generalization in Semantic Parsing
- arxiv url: http://arxiv.org/abs/2010.11988v2
- Date: Mon, 12 Apr 2021 20:40:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 06:51:06.430007
- Title: Meta-Learning for Domain Generalization in Semantic Parsing
- Title(参考訳): 意味解析におけるドメイン一般化のためのメタラーニング
- Authors: Bailin Wang, Mirella Lapata and Ivan Titov
- Abstract要約: セマンティック解析のためにゼロショットドメインをターゲットにしたメタラーニングフレームワークを使用する。
ゼロショット解析の仮想トレインと非結合領域からのテストセットをシミュレートするモデル非依存のトレーニングアルゴリズムを適用した。
- 参考スコア(独自算出の注目度): 124.32975734073949
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The importance of building semantic parsers which can be applied to new
domains and generate programs unseen at training has long been acknowledged,
and datasets testing out-of-domain performance are becoming increasingly
available. However, little or no attention has been devoted to learning
algorithms or objectives which promote domain generalization, with virtually
all existing approaches relying on standard supervised learning. In this work,
we use a meta-learning framework which targets zero-shot domain generalization
for semantic parsing. We apply a model-agnostic training algorithm that
simulates zero-shot parsing by constructing virtual train and test sets from
disjoint domains. The learning objective capitalizes on the intuition that
gradient steps that improve source-domain performance should also improve
target-domain performance, thus encouraging a parser to generalize to unseen
target domains. Experimental results on the (English) Spider and Chinese Spider
datasets show that the meta-learning objective significantly boosts the
performance of a baseline parser.
- Abstract(参考訳): 新しいドメインに適用し、トレーニングで見えないプログラムを生成するセマンティックパーサの構築の重要性は以前から認識されており、ドメイン外のパフォーマンスをテストするデータセットがますます利用できるようになる。
しかし、ドメインの一般化を促進するアルゴリズムや目的の学習にはほとんど、あるいはほとんど注目されていない。
本研究では,意味解析のためのゼロショットドメイン一般化を目標としたメタラーニングフレームワークを提案する。
仮想トレインとテストセットを構築し,ゼロショット解析をシミュレートするモデル非依存なトレーニングアルゴリズムを適用する。
学習の目的は、ソースドメインのパフォーマンスを改善するグラデーションステップはターゲットドメインのパフォーマンスも改善すべきだという直観に基づくものである。
スパイダーと中国のスパイダーデータセットの実験結果は、メタ学習の目的がベースラインパーサーの性能を大幅に向上させることを示している。
関連論文リスト
- Generalized Semantic Segmentation by Self-Supervised Source Domain
Projection and Multi-Level Contrastive Learning [79.0660895390689]
ソースドメインでトレーニングされたディープネットワークは、未確認のターゲットドメインデータでテストした場合、パフォーマンスが低下している。
汎用セマンティックセグメンテーションのためのドメイン・プロジェクションとコントラシブ・ラーニング(DPCL)手法を提案する。
論文 参考訳(メタデータ) (2023-03-03T13:07:14Z) - CLIP the Gap: A Single Domain Generalization Approach for Object
Detection [60.20931827772482]
単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。
本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。
本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
論文 参考訳(メタデータ) (2023-01-13T12:01:18Z) - Meta-Learned Feature Critics for Domain Generalized Semantic
Segmentation [38.81908956978064]
本稿では,意味的セグメンテーションとドメインの一般化を保証するドメイン不変の特徴を導出する,特徴不絡み付きメタラーニング手法を提案する。
ベンチマークデータセットの結果から,提案モデルの有効性とロバスト性を確認した。
論文 参考訳(メタデータ) (2021-12-27T06:43:39Z) - Context-Conditional Adaptation for Recognizing Unseen Classes in Unseen
Domains [48.17225008334873]
我々は,COCOA (COntext Conditional Adaptive) Batch-Normalization と統合された特徴生成フレームワークを提案する。
生成されたビジュアル機能は、基礎となるデータ分散をよりよくキャプチャすることで、テスト時に見つからないクラスやドメインに一般化できます。
確立した大規模ベンチマークであるDomainNetに対する我々のアプローチを徹底的に評価し、分析する。
論文 参考訳(メタデータ) (2021-07-15T17:51:16Z) - Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain
Adaptive Semantic Segmentation [102.42638795864178]
セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。
対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。
その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。
モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
論文 参考訳(メタデータ) (2020-12-15T13:21:54Z) - Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。
その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
論文 参考訳(メタデータ) (2020-09-30T04:17:48Z) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-06-23T14:47:41Z)
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。