論文の概要: Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer

• arxiv url: http://arxiv.org/abs/2012.07297v1
• Date: Mon, 14 Dec 2020 07:28:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:40:24.716997
• Title: Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer
• Title（参考訳）: 仮説転送とラベリング転送によるソースデータ吸収型非教師なしドメイン適応
• Authors: Jian Liang and Dapeng Hu and Yunbo Wang and Ran He and Jiashi Feng
• Abstract要約: Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
• 参考スコア（独自算出の注目度）: 137.36099660616975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) aims to transfer knowledge from a related but different well-labeled source domain to a new unlabeled target domain. Most existing UDA methods require access to the source data, and thus are not applicable when the data are confidential and not shareable due to privacy concerns. This paper aims to tackle a realistic setting with only a classification model available trained over, instead of accessing to, the source data. To effectively utilize the source model for adaptation, we propose a novel approach called Source HypOthesis Transfer (SHOT), which learns the feature extraction module for the target domain by fitting the target data features to the frozen source classification module (representing classification hypothesis). Specifically, SHOT exploits both information maximization and self-supervised learning for the feature extraction module learning to ensure the target features are implicitly aligned with the features of unseen source data via the same hypothesis. Furthermore, we propose a new labeling transfer strategy, which separates the target data into two splits based on the confidence of predictions (labeling information), and then employ semi-supervised learning to improve the accuracy of less-confident predictions in the target domain. We denote labeling transfer as SHOT++ if the predictions are obtained by SHOT. Extensive experiments on both digit classification and object recognition tasks show that SHOT and SHOT++ achieve results surpassing or comparable to the state-of-the-arts, demonstrating the effectiveness of our approaches for various visual domain adaptation problems.
• Abstract（参考訳）: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、知識を関連性のある異なるラベル付きソースドメインから新しい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る。 既存のUDAメソッドの多くはソースデータへのアクセスを必要としており、プライバシー上の懸念からデータが機密で共有できない場合には適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。 そこで本研究では,対象とするデータの特徴を凍結したソース分類モジュールに適合させることで,対象領域の特徴抽出モジュールを学習する,ソース仮説伝達(shot)と呼ばれる新しい手法を提案する。 具体的には、SHOTは、特徴抽出モジュール学習のための情報最大化と自己教師付き学習の両方を利用して、ターゲットとなる特徴が同じ仮説を介して見えないソースデータの特徴と暗黙的に一致していることを保証する。 さらに,予測の信頼度(ラベル情報)に基づいて,対象データを2つの分割に分割し,半教師あり学習を用いて,対象領域における信頼度の低い予測の精度を向上させる新しいラベリング転送戦略を提案する。 SHOTによって予測が得られた場合、ラベリング転送をSHOT++と表現する。 桁分類とオブジェクト認識の両タスクに関する大規模な実験により、SHOTとSHOT++は最先端技術に匹敵する結果を達成し、様々な視覚領域適応問題に対する我々のアプローチの有効性を示す。

関連論文リスト

• Dual Moving Average Pseudo-Labeling for Source-Free Inductive Domain Adaptation [45.024029784248825]
  教師なしドメイン適応は、ソースからターゲットドメインに知識を適用することによって、ディープラーニングにおけるデータアノテーションへの依存を減らす。 プライバシと効率上の懸念に対して、ソースフリーなドメイン適応は、トレーニング済みのソースモデルをラベルなしのターゲットドメインに適応することにより、教師なしのドメイン適応を拡張します。 本稿では,DMAPL (Dual moving Average Pseudo-Labeling) という半教師付きファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T23:20:13Z)
• Uncertainty-Induced Transferability Representation for Source-Free Unsupervised Domain Adaptation [15.76962579279531]
  ソースフリーな教師なしドメイン適応(SFUDA)は、ラベルのないターゲットデータと、十分に訓練されたソースドメインモデルの知識を用いて、ターゲットドメインモデルを学習することを目的としている。 本稿では,不確実性に起因したトランスファービリティ表現(UTR)を提案し,その不確実性を利用してソースエンコーダのチャネルワイドトランスファービリティを解析する。
  論文  参考訳（メタデータ） (2022-08-30T04:54:53Z)
• 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)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。