Fugu-MT 論文翻訳(概要): Mixed Set Domain Adaptation

論文の概要: Mixed Set Domain Adaptation

arxiv url: http://arxiv.org/abs/2011.02877v1
Date: Wed, 4 Nov 2020 10:20:10 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 22:40:13.088097
Title: Mixed Set Domain Adaptation
Title（参考訳）: 混合集合領域適応
Authors: Sitong Mao, Keli Zhang, Fu-lai Chung
Abstract要約: textbftextitMixed Set Domain Adaptation (MSDA)を提案する。 MSDAの設定の下では、ソースデータセットの異なるカテゴリは、すべて同じドメインから収集されるわけではない。
参考スコア（独自算出の注目度）: 15.125072827275767
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the settings of conventional domain adaptation, categories of the source dataset are from the same domain (or domains for multi-source domain adaptation), which is not always true in reality. In this paper, we propose \textbf{\textit{Mixed Set Domain Adaptation} (MSDA)}. Under the settings of MSDA, different categories of the source dataset are not all collected from the same domain(s). For instance, category $1\sim k$ are collected from domain $\alpha$ while category $k+1\sim c$ are collected from domain $\beta$. Under such situation, domain adaptation performance will be further influenced because of the distribution discrepancy inside the source data. A feature element-wise weighting (FEW) method that can reduce distribution discrepancy between different categories is also proposed for MSDA. Experimental results and quality analysis show the significance of solving MSDA problem and the effectiveness of the proposed method.
Abstract（参考訳）: 従来型のドメイン適応の設定では、ソースデータセットのカテゴリは同じドメイン(あるいはマルチソースドメイン適応のドメイン)からのもので、実際には必ずしも当てはまりません。本稿では,<textbf{\textit{Mixed Set Domain Adaptation} (MSDA)を提案する。 msdaの設定では、ソースデータセットのさまざまなカテゴリが、すべて同じドメインから収集されるわけではない。例えば、カテゴリ $1\sim k$ はドメイン $\alpha$ から、カテゴリ $k+1\sim c$ はドメイン $\beta$ から収集される。このような状況下では、ソースデータ内の分布差により、ドメイン適応性能がさらに影響を受けます。異なるカテゴリ間の分布差を低減できる特徴要素重み付け法(FEW)もMSDAに提案されている。実験結果と品質分析により,msda問題解決の意義と提案手法の有効性が示された。

関連論文リスト

Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文参考訳（メタデータ） (2022-04-24T12:22:19Z)
Dynamic Instance Domain Adaptation [109.53575039217094]
教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-03-09T20:05:54Z)
Domain-shift adaptation via linear transformations [11.541238742226199]
ソースドメイン(A)のデータから学習した予測子$f_Aは、分布が異なる場合、ターゲットドメイン(B)上で正確でない可能性がある。ソースとターゲットドメインを低次元の共通空間に投影する手法を提案する。シミュレーションデータと二進数分類タスクにおけるアプローチの有効性を示し、データのドメインシフトを補正する際の精度を最大48%向上させる。
論文参考訳（メタデータ） (2022-01-14T02:49:03Z)
Aligning Domain-specific Distribution and Classifier for Cross-domain Classification from Multiple Sources [25.204055330850164]
教師なしドメイン適応のための2つのアライメントステージを持つ新しいフレームワークを提案する。本手法は画像分類のための一般的なベンチマークデータセットにおいて顕著な結果が得られる。
論文参考訳（メタデータ） (2022-01-04T06:35:11Z)
Unsupervised domain adaptation via double classifiers based on high confidence pseudo label [8.132250810529873]
Unsupervised Domain Adapt (UDA)は,ラベル付きソースドメインからラベル付きターゲットドメインへのナレッジ転送という問題を解決することを目的とする。多くのドメイン適応(DA)メソッドは、Centroidを使って異なるドメインの局所分布を整列させ、異なるクラスを整列させる。この研究は、異なるドメイン間のアライメントを再考し、異なるドメイン間の真のアライメントを達成する方法を研究する。
論文参考訳（メタデータ） (2021-05-11T00:51:31Z)
Mixup Regularized Adversarial Networks for Multi-Domain Text Classification [16.229317527580072]
マルチドメインテキスト分類(MDTC)モデルの性能は,共有プライベートパラダイムと敵対的トレーニングによって大幅に向上した。しかし、既存の方法には2つの問題がある。この2つの問題に対処するために、MRAN(Mixup regularized adversarial network)を提案する。
論文参考訳（メタデータ） (2021-01-31T15:24:05Z)
Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
論文参考訳（メタデータ） (2020-08-25T02:28:24Z)
Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
論文参考訳（メタデータ） (2020-08-04T16:20:37Z)
Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。提案手法は, 比較手法より優れ, 最先端の性能を実現する。
論文参考訳（メタデータ） (2020-03-29T04:31:43Z)
Partially-Shared Variational Auto-encoders for Unsupervised Domain Adaptation with Target Shift [11.873435088539459]
本稿では,教師なしドメイン適応(UDA)の目標シフトを考慮した新しいアプローチを提案する。提案手法は部分共有変分オートエンコーダ (PS-VAE) であり, 特徴分布マッチングの代わりにペアワイズな特徴アライメントを用いる。 PS-VAEは、ラベル関連コンテンツを保存しながら、CycleGANベースのアーキテクチャで各サンプルの変換ドメインを相互変換する。
論文参考訳（メタデータ） (2020-01-22T06:41:31Z)
Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。 4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2020-01-12T08:37:42Z)

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。