論文の概要: Discriminative Adversarial Domain Generalization with Meta-learning
based Cross-domain Validation
- arxiv url: http://arxiv.org/abs/2011.00444v2
- Date: Wed, 16 Feb 2022 01:23:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 23:40:01.882318
- Title: Discriminative Adversarial Domain Generalization with Meta-learning
based Cross-domain Validation
- Title(参考訳): メタラーニングに基づくクロスドメイン検証による識別的対立ドメイン一般化
- Authors: Keyu Chen, Di Zhuang, J. Morris Chang
- Abstract要約: ドメイン一般化(DG)技術は、機械学習モデルのそのような一般化能力を高めることを目的としている。
メタラーニングに基づくクロスドメイン検証により,DADG(Dariminative Adversarial Domain Generalization)を提案する。
その結果、DADGは強力なベースラインであるDeepAllを一貫して上回り、ほとんどの場合、既存のDGアルゴリズムよりも上回ります。
- 参考スコア(独自算出の注目度): 9.265557367859637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The generalization capability of machine learning models, which refers to
generalizing the knowledge for an "unseen" domain via learning from one or
multiple seen domain(s), is of great importance to develop and deploy machine
learning applications in the real-world conditions. Domain Generalization (DG)
techniques aim to enhance such generalization capability of machine learning
models, where the learnt feature representation and the classifier are two
crucial factors to improve generalization and make decisions. In this paper, we
propose Discriminative Adversarial Domain Generalization (DADG) with
meta-learning-based cross-domain validation. Our proposed framework contains
two main components that work synergistically to build a domain-generalized DNN
model: (i) discriminative adversarial learning, which proactively learns a
generalized feature representation on multiple "seen" domains, and (ii)
meta-learning based cross-domain validation, which simulates train/test domain
shift via applying meta-learning techniques in the training process. In the
experimental evaluation, a comprehensive comparison has been made among our
proposed approach and other existing approaches on three benchmark datasets.
The results shown that DADG consistently outperforms a strong baseline DeepAll,
and outperforms the other existing DG algorithms in most of the evaluation
cases.
- Abstract(参考訳): 機械学習モデルの一般化能力は、"見えない"ドメインの知識を1つまたは複数のドメインから学習することで一般化することであり、現実の環境で機械学習アプリケーションを開発、デプロイすることが非常に重要である。
ドメイン一般化(DG)技術は、学習した特徴表現と分類器が一般化と意思決定を改善する2つの重要な要素となる機械学習モデルの一般化能力を高めることを目的としている。
本稿では,メタラーニングに基づくクロスドメイン検証を用いた識別型adversarial domain generalization(dadg)を提案する。
提案フレームワークは、ドメイン一般化DNNモデルを構築するために相乗的に機能する2つの主要コンポーネントを含んでいる。
(i)複数の「seen」ドメイン上の一般化された特徴表現を積極的に学習する判別的逆学習、及び
メタラーニングに基づくクロスドメイン検証は、トレーニングプロセスにメタラーニング技術を適用することで、トレーニング/テストドメインシフトをシミュレートする。
実験により,提案手法と既存の3つのベンチマークデータセットとの比較を行った。
その結果、DADGは強力なベースラインであるDeepAllより一貫して優れており、ほとんどの場合、既存のDGアルゴリズムよりも優れていた。
関連論文リスト
- DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。
我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。
DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
論文 参考訳(メタデータ) (2024-02-29T07:09:01Z) - MetaDefa: Meta-learning based on Domain Enhancement and Feature
Alignment for Single Domain Generalization [12.095382249996032]
モデル一般化性能を改善するために,ドメイン拡張と特徴アライメント(MetaDefa)に基づくメタラーニング手法を提案する。
本稿では、ソース領域と拡張領域の機能空間間の類似のターゲット領域に着目し、ドメイン不変性について検討する。
公開された2つのデータセットに対する大規模な実験により、MetaDefaは未知の複数のターゲットドメインにおいて、大きな一般化パフォーマンスのアドバンテージを持つことが示された。
論文 参考訳(メタデータ) (2023-11-27T15:13:02Z) - Towards Domain-Specific Features Disentanglement for Domain
Generalization [23.13095840134744]
そこで本研究では,見過ごされがちな領域特化特徴を生かした,新しいコントラッシブ・ベース・ディコンタンジメント法CDDGを提案する。
具体的には、CDDGは、潜在空間においてそれらを活用することによって、固有の排他的特徴を分離することを学ぶ。
各種ベンチマークデータセットを用いて行った実験は,他の最先端手法と比較して,本手法の優位性を示した。
論文 参考訳(メタデータ) (2023-10-04T17:51:02Z) - Learning to Augment via Implicit Differentiation for Domain
Generalization [107.9666735637355]
ドメイン一般化(DG)は、複数のソースドメインを活用してドメイン一般化可能なモデルを学ぶことで、この問題を克服することを目的としている。
本稿では,AugLearnと呼ばれる新しい拡張型DG手法を提案する。
AugLearnは、PACS、Office-Home、Digits-DGの3つの標準DGベンチマークで効果を示す。
論文 参考訳(メタデータ) (2022-10-25T18:51:51Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳(メタデータ) (2022-03-24T11:54:59Z) - TAL: Two-stream Adaptive Learning for Generalizable Person
Re-identification [115.31432027711202]
我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。
これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。
我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
論文 参考訳(メタデータ) (2021-11-29T01:27:42Z) - Reappraising Domain Generalization in Neural Networks [8.06370138649329]
機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。
経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。
そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
論文 参考訳(メタデータ) (2021-10-15T10:06:40Z) - Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。
DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。
時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文 参考訳(メタデータ) (2021-02-17T17:46:06Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳(メタデータ) (2020-08-27T00:53:43Z) - Learning to Learn with Variational Information Bottleneck for Domain
Generalization [128.90691697063616]
ドメイン一般化モデルは、これまで見つからなかった領域に一般化することを学ぶが、予測の不確実性とドメインシフトに悩まされる。
ドメイン一般化のための確率論的メタラーニングモデルを導入し、ドメイン間で共有されるパラメータを分布としてモデル化する。
ドメインシフトに対処するため、メタ変動情報ボトルネックという提案原則を用いてドメイン不変表現を学習し、メタVIBと呼ぶ。
論文 参考訳(メタデータ) (2020-07-15T12:05:52Z)
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。