論文の概要: Learning Disentangled Semantic Representation for Domain Adaptation
- arxiv url: http://arxiv.org/abs/2012.11807v1
- Date: Tue, 22 Dec 2020 03:03:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:40:08.865774
- Title: Learning Disentangled Semantic Representation for Domain Adaptation
- Title(参考訳): ドメイン適応のための意味表現の学習
- Authors: Ruichu Cai, Zijian Li, Pengfei Wei, Jie Qiao, Kun Zhang, Zhifeng Hao
- Abstract要約: 本研究の目的は,データの意味表現におけるドメイン不変な意味情報を抽出することである。
上記の仮定の下では、意味的潜在変数とドメイン潜在変数を再構成するために変分オートエンコーダを用いる。
これら2組の再構成潜伏変数をアンタングル化する二重対向ネットワークを考案する。
- 参考スコア(独自算出の注目度): 39.055191615410244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptation is an important but challenging task. Most of the existing
domain adaptation methods struggle to extract the domain-invariant
representation on the feature space with entangling domain information and
semantic information. Different from previous efforts on the entangled feature
space, we aim to extract the domain invariant semantic information in the
latent disentangled semantic representation (DSR) of the data. In DSR, we
assume the data generation process is controlled by two independent sets of
variables, i.e., the semantic latent variables and the domain latent variables.
Under the above assumption, we employ a variational auto-encoder to reconstruct
the semantic latent variables and domain latent variables behind the data. We
further devise a dual adversarial network to disentangle these two sets of
reconstructed latent variables. The disentangled semantic latent variables are
finally adapted across the domains. Experimental studies testify that our model
yields state-of-the-art performance on several domain adaptation benchmark
datasets.
- Abstract(参考訳): ドメイン適応は重要だが難しいタスクである。
既存のドメイン適応手法のほとんどは、ドメイン情報と意味情報を絡んで特徴空間上のドメイン不変表現を抽出するのに苦労している。
先行研究であるエンタングル特徴空間と異なり,データの潜在的不連続意味表現(dsr)におけるドメイン不変意味情報を抽出することを目的としている。
DSRでは、データ生成プロセスは2つの独立した変数、すなわちセマンティック潜在変数とドメイン潜在変数によって制御されると仮定する。
この仮定では,データの背後にあるセマンティック潜伏変数とドメイン潜伏変数を再構成するために,変分自動エンコーダを用いる。
さらに,これら2組の潜在変数を分離するために,二重逆ネットワークを考案する。
アンタングル化されたセマンティック潜伏変数は最終的に各ドメインに適応する。
実験により,本モデルがいくつかの領域適応ベンチマークデータセットの最先端性能を示すことが示された。
関連論文リスト
- Unsupervised Multiple Domain Translation through Controlled
Disentanglement in Variational Autoencoder [1.7611027732647493]
教師なし多重ドメイン変換(Unsupervised Multiple Domain Translation)は、あるドメインから別のドメインにデータを変換するタスクである。
我々の提案は変分オートコーダの修正版に依存している。
この潜伏変数の1つはドメインにのみ依存するように強制され、もう1つはデータの他の変数因子に依存しなければならない。
論文 参考訳(メタデータ) (2024-01-17T12:43:28Z) - Adversarial Bi-Regressor Network for Domain Adaptive Regression [58.33005821092675]
ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。
本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
論文 参考訳(メタデータ) (2022-09-20T18:38:28Z) - Identifying Latent Causal Content for Multi-Source Domain Adaptation [53.05434790671263]
本稿では,潜時コンテンツ変数に基づく不変ラベル分布条件を学習するMSDAの新しい手法を提案する。
潜時空間の推移性により潜時型変数は識別できないが、潜時型変数は単純なスケーリングで識別可能であることを示す。
論文 参考訳(メタデータ) (2022-08-30T11:25:15Z) - Unsupervised Domain Adaptation for Semantic Segmentation via Low-level
Edge Information Transfer [27.64947077788111]
セマンティックセグメンテーションのための教師なしドメイン適応は、合成データに基づいて訓練されたモデルを実際の画像に適応させることを目的としている。
従来の特徴レベルの対数学習手法は、高レベルの意味的特徴に適応するモデルのみを考慮していた。
本稿では,ドメイン間ギャップが小さい低レベルエッジ情報を明示的に利用して意味情報の伝達をガイドする試みについて紹介する。
論文 参考訳(メタデータ) (2021-09-18T11:51:31Z) - Vector-Decomposed Disentanglement for Domain-Invariant Object Detection [75.64299762397268]
ドメイン固有の表現からドメイン不変表現を取り除こうとする。
実験では,本手法を単目的,複目的のケースで評価した。
論文 参考訳(メタデータ) (2021-08-15T07:58:59Z) - 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) - Semi-Supervised Disentangled Framework for Transferable Named Entity
Recognition [27.472171967604602]
我々は、ドメイン不変の潜在変数とドメイン固有の潜在変数を区別する転送可能nerのための半教師付きフレームワークを提案する。
我々のモデルは、ドメイン間および言語間NERベンチマークデータセットを用いて最先端の性能を得ることができる。
論文 参考訳(メタデータ) (2020-12-22T02:55:04Z) - Cross-Domain Latent Modulation for Variational Transfer Learning [1.9212368803706577]
分散オートエンコーダ(VAE)フレームワーク内のクロスドメイン潜時変調機構を提案し,トランスファー学習の改善を実現する。
提案モデルは,教師なし領域適応や画像から画像への変換など,多くのトランスファー学習タスクに適用する。
論文 参考訳(メタデータ) (2020-12-21T22:45:00Z) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-06-23T14:47:41Z)
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。