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
- MLDGG: Meta-Learning for Domain Generalization on Graphs [9.872254367103057]
グラフ上のドメインの一般化は、堅牢な一般化機能を持つモデルを開発することを目的としている。
我々のフレームワークであるMDDGGは、多分野間メタラーニングを統合することで、多分野にわたる適応可能な一般化を実現する。
実験の結果,MDDGGはベースライン法を超越し,3種類の分散シフト設定で有効性を示した。
論文 参考訳（メタデータ） (2024-11-19T22:57:38Z) - FEED: Fairness-Enhanced Meta-Learning for Domain Generalization [13.757379847454372]
モデルフェアネスを認識しながら配布外データに一般化することは、メタラーニングにおいて重要かつ困難な問題である。
本稿では,ドメインの一般化能力を大幅に向上させるフェアネスを考慮したメタラーニング手法を提案する。
論文 参考訳（メタデータ） (2024-11-02T17:34:33Z) - Learning to Generalize Unseen Domains via Multi-Source Meta Learning for Text Classification [71.08024880298613]
テキスト分類の多元的領域一般化について検討する。
本稿では、複数の参照ドメインを使用して、未知のドメインで高い精度を達成可能なモデルをトレーニングするフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-20T07:46:21Z) - 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) - 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) - Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。
オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
論文 参考訳（メタデータ） (2022-03-10T11:14:18Z) - 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) - 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。