論文の概要: Open Set Domain Adaptation by Extreme Value Theory

• arxiv url: http://arxiv.org/abs/2101.02561v1
• Date: Tue, 22 Dec 2020 19:31:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:50:12.162342
• Title: Open Set Domain Adaptation by Extreme Value Theory
• Title（参考訳）: 極値理論による開集合領域適応
• Authors: Yiming Xu, Diego Klabjan
• Abstract要約: ソースとターゲットラベル空間が部分的な重複のみを前提として、オープンセットのドメイン適応問題に取り組みます。 重み付けが既知のクラスに属するサンプルの可能性を示すドメイン適応のためのインスタンスレベルの重み付け戦略を提案する。 従来のドメイン適応データセットを用いた実験では,提案手法が最先端モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 22.826118321715455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Common domain adaptation techniques assume that the source domain and the target domain share an identical label space, which is problematic since when target samples are unlabeled we have no knowledge on whether the two domains share the same label space. When this is not the case, the existing methods fail to perform well because the additional unknown classes are also matched with the source domain during adaptation. In this paper, we tackle the open set domain adaptation problem under the assumption that the source and the target label spaces only partially overlap, and the task becomes when the unknown classes exist, how to detect the target unknown classes and avoid aligning them with the source domain. We propose to utilize an instance-level reweighting strategy for domain adaptation where the weights indicate the likelihood of a sample belonging to known classes and to model the tail of the entropy distribution with Extreme Value Theory for unknown class detection. Experiments on conventional domain adaptation datasets show that the proposed method outperforms the state-of-the-art models.
• Abstract（参考訳）: 共通のドメイン適応技術では、ソースドメインとターゲットドメインが同じラベル空間を共有していると仮定します。 もしそうでなければ、追加の未知のクラスも適応中にソースドメインとマッチするため、既存のメソッドはうまく動作しない。 本稿では、ソースとターゲットラベル空間が部分的に重複しているだけであり、タスクが未知のクラスが存在する場合、ターゲット不明のクラスを検出してソースドメインと整合しないようにする、という仮定の下で、オープンセット領域適応問題に取り組む。 本稿では,既知のクラスに属するサンプルの確率を示す重み付けと,未知クラス検出のための極値理論を用いてエントロピー分布のテールをモデル化する,ドメイン適応のためのインスタンスレベルの再重み付け戦略を提案する。 従来のドメイン適応データセットを用いた実験では,提案手法が最先端モデルよりも優れていた。

関連論文リスト

• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• Domain-Invariant Feature Alignment Using Variational Inference For Partial Domain Adaptation [6.04077629908308]
  提案手法は既存の手法と同等の精度で優れている。 多くのクロスドメイン分類タスクにおける実験結果から,提案手法は既存手法に優れた精度と同等の精度をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-03T10:39:14Z)
• 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)
• Progressively Select and Reject Pseudo-labelled Samples for Open-Set Domain Adaptation [26.889303784575805]
  ドメイン適応は、ラベル付きソースデータと未ラベルのターゲットデータを利用して、ターゲット領域の画像分類問題を解決する。 提案手法は,OSLPP(Open-Set Locality Preserving Projection)アルゴリズムを用いて,ソース領域とターゲット領域の識別的共通部分空間を学習する。 共通部分空間学習と擬似ラベル付きサンプル選択/拒絶は反復学習フレームワークにおいて互いに促進する。
  論文  参考訳（メタデータ） (2021-10-25T04:28:55Z)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• Against Adversarial Learning: Naturally Distinguish Known and Unknown in Open Set Domain Adaptation [17.819949636876018]
  オープンセットドメイン適応は、ターゲットドメインがソースドメインに存在しないカテゴリを含むというシナリオを指す。 本研究では,未知のターゲットデータと未知のデータとを自然に識別できる「逆学習」手法を提案する。 実験結果から,提案手法はいくつかの最先端手法と比較して性能を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-11-04T10:30:43Z)
• 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)
• Adversarial Network with Multiple Classifiers for Open Set Domain Adaptation [9.251407403582501]
  本稿では、対象ドメインがプライベート(未知クラス)ラベル空間と共有(未知クラス)ラベル空間の両方を持つようなオープンセットドメイン適応設定のタイプに焦点を当てる。 分布整合領域適応法はそのような設定では不十分である。 本稿では,複数の補助分類器を用いた新しい対向領域適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-07-01T11:23:07Z)
• 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。