論文の概要: Domain Adversarial Neural Networks for Domain Generalization: When It Works and How to Improve

• arxiv url: http://arxiv.org/abs/2102.03924v1
• Date: Sun, 7 Feb 2021 21:33:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 10:21:48.193486
• Title: Domain Adversarial Neural Networks for Domain Generalization: When It Works and How to Improve
• Title（参考訳）: ドメイン一般化のためのドメイン逆ニューラルネットワーク:それが機能する時と改善方法
• Authors: Anthony Sicilia, Xingchen Zhao, Seong Jae Hwang
• Abstract要約: 本稿では,ドメイン一般化におけるDANN(Domain Adrial Neural Networks)の有効性について検討する。 本研究は,ドメイン一般化へのDANNの適用が,見かけほど単純ではないことを示唆している。
• 参考スコア（独自算出の注目度）: 8.047798399512372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Theoretically, domain adaptation is a well-researched problem. Further, this theory has been well-used in practice. In particular, we note the bound on target error given by Ben-David et al. (2010) and the well-known domain-aligning algorithm based on this work using Domain Adversarial Neural Networks (DANN) presented by Ganin and Lempitsky (2015). Recently, multiple variants of DANN have been proposed for the related problem of domain generalization, but without much discussion of the original motivating bound. In this paper, we investigate the validity of DANN in domain generalization from this perspective. We investigate conditions under which application of DANN makes sense and further consider DANN as a dynamic process during training. Our investigation suggests that the application of DANN to domain generalization may not be as straightforward as it seems. To address this, we design an algorithmic extension to DANN in the domain generalization case. Our experimentation validates both theory and algorithm.
• Abstract（参考訳）: 理論的には、ドメイン適応はよく研究された問題である。 さらに、この理論は実際よく使われている。 特に、Ben-Davidらによるターゲット誤差の上限について言及する。 (2010)と、Ganin and Lempitsky (2015) が提示したDomain Adversarial Neural Networks (DANN) を用いたこの研究に基づく有名なドメイン適応アルゴリズム。 近年,ドメイン一般化の問題に対して,DANNの複数の変種が提案されているが,本来のモチベーション境界についてはあまり議論されていない。 本稿では,ドメイン一般化におけるDANNの有効性について検討する。 DANNの応用が理にかなっている条件について検討し、DANNをトレーニング中の動的プロセスとみなす。 本研究は,ドメイン一般化へのDANNの適用が,見かけほど単純ではないことを示唆している。 そこで本研究では,ドメイン一般化におけるDANNのアルゴリズム拡張を設計する。 我々の実験は理論とアルゴリズムの両方を検証する。

関連論文リスト

• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Gradual Domain Adaptation: Theory and Algorithms [15.278170387810409]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインからラベルなしターゲットドメインへのモデルをワンオフで適応する。 本研究ではまず,GDAアルゴリズムである漸進的な自己学習を理論的に解析し,より優れた一般化バウンダリを提供する。 我々は、$textbfG$enerative Gradual D$textbfO$main $textbfA$daptation with Optimal $textbfT$ransport (GOAT)を提案する。
  論文  参考訳（メタデータ） (2023-10-20T23:02:08Z)
• Improving Generalization with Domain Convex Game [32.07275105040802]
  ドメインの一般化は、複数のソースドメインを持つモデルを学習することで、ディープニューラルネットワークの貧弱な一般化能力を緩和する傾向がある。 DG の古典的な解は領域拡大であり、その一般的な信念は、ソース領域の多様化は分布外一般化に導かれるということである。 モデル一般化と領域の多様性の相関は厳密には正ではなく,ドメイン拡張の有効性を制限している。
  論文  参考訳（メタデータ） (2023-03-23T14:27:49Z)
• Generalizing to Unseen Domains: A Survey on Domain Generalization [59.16754307820612]
  ドメイン一般化は、1つまたは複数の異なるが関連するドメインが与えられる困難な設定を扱う。 目標は、目に見えないテストドメインに一般化できるモデルを学ぶことです。 本稿では,領域一般化の最近の進歩に対する最初のレビューを紹介する。
  論文  参考訳（メタデータ） (2021-03-02T06:04:11Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Abstract Neural Networks [7.396342576390398]
  本稿では,Deep Neural Networks (DNN) の音響的オーバー近似に使用できる抽象ニューラルネットワーク (ANN) の概念を紹介する。 本稿では、DNNで使用される抽象ドメインとアクティベーション関数によってパラメータ化され、対応するANNを構築するのに使用できるフレームワークを提案する。 我々のフレームワークは、オクタゴンやポリヘドラといった他の抽象ドメインや、Leaky ReLU、Sigmoid、Hyperbolic Tangentといった他のアクティベーション関数とインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-09-11T21:17:38Z)
• Sequential Learning for Domain Generalization [81.70387860425855]
  ドメイン一般化(DG)のための逐次学習フレームワークを提案する。 最近提案されたメタラーニング領域一般化(MLDG)への応用に焦点をあてる。
  論文  参考訳（メタデータ） (2020-04-03T05:10:33Z)
• Domain Balancing: Face Recognition on Long-Tailed Domains [49.4688709764188]
  本稿では,長期領域分散問題を扱うための新しいドメインバランス機構を提案する。 本稿では、まず、サンプルがヘッドドメインかテールドメインであるかを判断するために、ドメイン周波数指標(DFI)を提案する。 第2に、DFIに応じてネットワークを調整することにより、領域分布のバランスをとるために、軽量な残留バランスマッピング(RBM)ブロックを定式化する。 最後に、損失関数におけるドメインバランスマージン(DBM)を提案し、テール領域の特徴空間をさらに最適化し、一般化を改善する。
  論文  参考訳（メタデータ） (2020-03-30T20:16:31Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための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） (2020-03-08T14:20:24Z)

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。