論文の概要: Interventional Domain Adaptation

• arxiv url: http://arxiv.org/abs/2011.03737v1
• Date: Sat, 7 Nov 2020 09:53:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 22:07:34.837208
• Title: Interventional Domain Adaptation
• Title（参考訳）: 介入領域適応
• Authors: Jun Wen, Changjian Shui, Kun Kuang, Junsong Yuan, Zenan Huang, Zhefeng Gong, Nenggan Zheng
• Abstract要約: ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。 ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
• 参考スコア（独自算出の注目度）: 81.0692660794765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation (DA) aims to transfer discriminative features learned from source domain to target domain. Most of DA methods focus on enhancing feature transferability through domain-invariance learning. However, source-learned discriminability itself might be tailored to be biased and unsafely transferable by spurious correlations, \emph{i.e.}, part of source-specific features are correlated with category labels. We find that standard domain-invariance learning suffers from such correlations and incorrectly transfers the source-specifics. To address this issue, we intervene in the learning of feature discriminability using unlabeled target data to guide it to get rid of the domain-specific part and be safely transferable. Concretely, we generate counterfactual features that distinguish the domain-specifics from domain-sharable part through a novel feature intervention strategy. To prevent the residence of domain-specifics, the feature discriminability is trained to be invariant to the mutations in the domain-specifics of counterfactual features. Experimenting on typical \emph{one-to-one} unsupervised domain adaptation and challenging domain-agnostic adaptation tasks, the consistent performance improvements of our method over state-of-the-art approaches validate that the learned discriminative features are more safely transferable and generalize well to novel domains.
• Abstract（参考訳）: ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 DA手法の多くは、ドメイン不変学習による特徴伝達可能性の向上に重点を置いている。 しかしながら、ソース固有の特徴の一部がカテゴリラベルと相関する散発的な相関によって、ソース主導の識別可能性自体が偏り、安全に転送できないように調整される可能性がある。 標準領域不変学習はそのような相関に悩まされ、ソース固有性を誤って転送する。 この問題に対処するために,ラベルなしのターゲットデータを用いた特徴判別の学習に介入し,ドメイン固有の部分を取り除き,安全に転送できるようにする。 具体的には,ドメイン固有部分とドメイン共有部分とを識別する対物的特徴を,新たな機能介入戦略によって生成する。 ドメイン特化の出現を防ぐため、特徴識別性は、ドメイン特化の反事実的特徴の変異に不変であるように訓練される。 典型的な \emph{one-to-one} 非教師なしのドメイン適応とドメイン非依存な適応タスクの実験では、最先端のアプローチよりも一貫した性能改善が行われ、学習された識別機能はより安全に転送可能であり、新しいドメインにうまく一般化できることが確認された。

関連論文リスト

• Rethinking Domain Generalization for Face Anti-spoofing: Separability and Alignment [35.67771212285966]
  本研究は,画像の解像度,ぼやけ度,センサの変動といった領域ギャップに対する対面アンチ・スプーフィング(FAS)モデルの一般化問題について検討する。 我々は、不変リスク最小化(IRM)の問題として、分離性と整合性(SA-FAS)のこのFAS戦略を定式化する。 ドメイン間FASデータセットに対するSA-FASの有効性を実証し、最先端の性能を確立する。
  論文  参考訳（メタデータ） (2023-03-23T20:34:27Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Enhanced Separable Disentanglement for Unsupervised Domain Adaptation [6.942003070153651]
  ドメイン適応は、既存のラベル付きドメインから新しいドメインに知識を移す際のドメインギャップを軽減することを目的としています。 既存のアンタングルメントベースのメソッドは、ドメイン不変性とドメイン固有の特徴の分離を完全に考慮していない。 本稿では,新たに拡張された分離不能な絡み合いモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-22T16:50:53Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) 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知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation [88.86865069583149]
  Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。 本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。 RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
  論文  参考訳（メタデータ） (2021-03-22T08:32:55Z)
• Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment [11.74643883335152]
  教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。 本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。 我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
  論文  参考訳（メタデータ） (2020-08-19T13:36:57Z)
• Towards Stable and Comprehensive Domain Alignment: Max-Margin Domain-Adversarial Training [38.12978698952838]
  適応再構成ネットワーク(ARN)を設計し,MDAT(Max-margin Domain-Adversarial Training)を提案する。 ARNは、余分なネットワーク構造を伴わずに、機能レベルとピクセルレベルのドメインアライメントを実行する。 我々のアプローチは、他の最先端のドメインアライメント手法よりも優れています。
  論文  参考訳（メタデータ） (2020-03-30T07:48:52Z)
• 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)

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。