論文の概要: Confidence Calibration for Domain Generalization under Covariate Shift

• arxiv url: http://arxiv.org/abs/2104.00742v1
• Date: Thu, 1 Apr 2021 19:31:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 14:03:18.477485
• Title: Confidence Calibration for Domain Generalization under Covariate Shift
• Title（参考訳）: 共変量シフト下における領域一般化のための信頼度校正
• Authors: Yunye Gong, Xiao Lin, Yi Yao, Thomas G. Dietterich, Ajay Divakaran, Melinda Gervasio
• Abstract要約: ドメイン一般化による新しいキャリブレーションソリューションを提案する。 私たちのコアアイデアは、複数のキャリブレーションドメインを活用して、ターゲットとキャリブレーションドメイン間の効果的な分散格差を減らすことです。 ドメイン適応のための最先端キャリブレーション手法と比較して,期待キャリブレーション誤差の8.86ポイントの減少が観察された。
• 参考スコア（独自算出の注目度）: 12.527429721643783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing calibration algorithms address the problem of covariate shift via unsupervised domain adaptation. However, these methods suffer from the following limitations: 1) they require unlabeled data from the target domain, which may not be available at the stage of calibration in real-world applications and 2) their performances heavily depend on the disparity between the distributions of the source and target domains. To address these two limitations, we present novel calibration solutions via domain generalization which, to the best of our knowledge, are the first of their kind. Our core idea is to leverage multiple calibration domains to reduce the effective distribution disparity between the target and calibration domains for improved calibration transfer without needing any data from the target domain. We provide theoretical justification and empirical experimental results to demonstrate the effectiveness of our proposed algorithms. Compared against the state-of-the-art calibration methods designed for domain adaptation, we observe a decrease of 8.86 percentage points in expected calibration error, equivalently an increase of 35 percentage points in improvement ratio, for multi-class classification on the Office-Home dataset.
• Abstract（参考訳）: 既存のキャリブレーションアルゴリズムは、教師なし領域適応による共変量シフトの問題に対処する。 しかし,これらの手法は,(1)実世界のアプリケーションではキャリブレーションの段階で利用できないような,対象ドメインからのラベル付きデータを必要とすること,2)ソースと対象ドメインの分布の相違に大きく依存すること,の2つの制限に悩まされている。 この2つの制限に対処するため、我々はドメインの一般化を通じて新しいキャリブレーションソリューションを提案する。 提案手法は,複数のキャリブレーション領域を活用し,対象領域とキャリブレーション領域の効果的な分布差を低減し,対象領域からのデータを必要とせずにキャリブレーション伝達を改善することにある。 提案アルゴリズムの有効性を実証するために,理論的正当性および実証実験結果を提供する。 ドメイン適応のための最先端キャリブレーション手法と比較して,Office-Homeデータセットのマルチクラス分類において,期待キャリブレーション誤差の8.86ポイント,すなわち改善率35ポイントの増加を観測した。

関連論文リスト

• Continual Domain Adversarial Adaptation via Double-Head Discriminators [9.27879320502565]
  連続的な設定でのドメインの逆順応は、以前のソースドメインデータにアクセスする制限のために大きな課題となる。 本稿では、ソースのみの領域判別器を導入し、二重頭部判別器アルゴリズムを提案する。 我々は、事前学習したソースのみのドメイン識別器を導入することにより、$gH$-divergence関連対数損失の実証的推定誤差が低減されることを証明した。
  論文  参考訳（メタデータ） (2024-02-05T23:46:03Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation [87.69789891809562]
  非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。 UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。 PseudoCalは、ラベルのないターゲットデータにのみ依存するソースフリーキャリブレーション手法である。
  論文  参考訳（メタデータ） (2023-07-14T17:21:41Z)
• Post-hoc Uncertainty Calibration for Domain Drift Scenarios [46.88826364244423]
  既存のポストホックキャリブレーション手法は、ドメインシフト下での過信予測を高い精度で得ることを示した。 ポストホックキャリブレーションステップを実行する前に、検証セットのサンプルに摂動を適用する簡単な戦略を紹介します。
  論文  参考訳（メタデータ） (2020-12-20T18:21:13Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
  本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。 また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
  論文  参考訳（メタデータ） (2020-08-21T18:43:37Z)
• Transferable Calibration with Lower Bias and Variance in Domain Adaptation [139.4332115349543]
  ドメイン適応(DA)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の学習マシンの転送を可能にする。 DAモデルの予測的不確実性を推定する方法は、安全クリティカルなシナリオにおける意思決定に不可欠である。 TransCalは既存のDAメソッドの校正に簡単に適用できる。
  論文  参考訳（メタデータ） (2020-07-16T11:09:36Z)
• Discriminative Feature Alignment: Improving Transferability of Unsupervised Domain Adaptation by Gaussian-guided Latent Alignment [27.671964294233756]
  本研究では,ラベル付きデータ領域から近似推論モデルを学習するための教師なし領域適応問題に着目した。 教師なしのドメイン適応の成功は、主にクロスドメイン機能アライメントに依存している。 本稿では,2つの領域の潜在特徴分布を事前分布の導出の下で整列するガウス誘導型潜時アライメント手法を提案する。 そのような間接的な方法では、2つの領域からのサンプル上の分布は共通の特徴空間、すなわち前の領域の空間上に構築される。
  論文  参考訳（メタデータ） (2020-06-23T05:33:54Z)

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。