論文の概要: Unsupervised Domain Adaptation with Global and Local Graph Neural
Networks in Limited Labeled Data Scenario: Application to Disaster Management
- arxiv url: http://arxiv.org/abs/2104.01436v1
- Date: Sat, 3 Apr 2021 16:01:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:53:49.815630
- Title: Unsupervised Domain Adaptation with Global and Local Graph Neural
Networks in Limited Labeled Data Scenario: Application to Disaster Management
- Title（参考訳）: 限定ラベルデータシナリオにおけるグローバルおよびローカルグラフニューラルネットワークによる教師なしドメイン適応:災害管理への応用
- Authors: Samujjwal Ghosh, Subhadeep Maji, Maunendra Sankar Desarkar
- Abstract要約: 災害時に発生したソーシャルメディア投稿の識別と分類は、被災者の苦しみを減らすために重要です。
ラベル付きデータの欠如は、災害の効果的な分類システムを学ぶ上で重要なボトルネックとなる。
この問題に対処する新しい2部グラフニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 7.068680287596106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identification and categorization of social media posts generated during
disasters are crucial to reduce the sufferings of the affected people. However,
lack of labeled data is a significant bottleneck in learning an effective
categorization system for a disaster. This motivates us to study the problem as
unsupervised domain adaptation (UDA) between a previous disaster with labeled
data (source) and a current disaster (target). However, if the amount of
labeled data available is limited, it restricts the learning capabilities of
the model. To handle this challenge, we utilize limited labeled data along with
abundantly available unlabeled data, generated during a source disaster to
propose a novel two-part graph neural network. The first-part extracts
domain-agnostic global information by constructing a token level graph across
domains and the second-part preserves local instance-level semantics. In our
experiments, we show that the proposed method outperforms state-of-the-art
techniques by $2.74\%$ weighted F$_1$ score on average on two standard public
dataset in the area of disaster management. We also report experimental results
for granular actionable multi-label classification datasets in disaster domain
for the first time, on which we outperform BERT by $3.00\%$ on average w.r.t
weighted F$_1$. Additionally, we show that our approach can retain performance
when very limited labeled data is available.
- Abstract（参考訳）: 災害時に発生したソーシャルメディア投稿の同定と分類は,被災者の苦痛を軽減する上で重要である。
しかしながら、ラベル付きデータの欠如は、災害の効果的な分類システムを学ぶ上で重要なボトルネックである。
このことは、ラベル付きデータ(ソース)と現在の災害(ターゲット)との間の非教師なしドメイン適応(UDA)としてこの問題を研究する動機となっている。
しかし、利用可能なラベル付きデータの量が限られている場合、モデルの学習能力は制限される。
この課題に対処するために,限られたラベル付きデータと,情報源災害時に発生する豊富なラベル付きデータを用いて,新たな2部グラフニューラルネットワークを提案する。
第1部はドメイン間のトークンレベルグラフを構築し、第2部はローカルインスタンスレベルのセマンティクスを保存することで、ドメインに依存しないグローバル情報を抽出する。
本実験では,災害管理分野の2つの標準データセットにおいて,提案手法が平均2.74\%$重み付きf$_1$スコアで最先端技術を上回ることを示す。
また,災害領域における粒度対応可能な多ラベル分類データセットの実験結果を報告し,平均重量値F$_1$でBERTを3.00\%以上上回る結果を得た。
さらに,ラベル付きデータが非常に限定された場合に,本手法が性能を維持することを示す。
関連論文リスト
- Unsupervised Domain Adaptive Person Search via Dual Self-Calibration [12.158126976694488]
Unsupervised Domain Adaptive (UDA) パーソンサーチは、ラベル付きソースドメインデータセットでトレーニングされたモデルを、追加のアノテーションなしでターゲットドメインデータセットに採用することに焦点を当てている。
最も効果的なUDA人物探索法は、典型的には、ソースドメインとクラスタリングから派生した擬似ラベルの基底真理を利用する。
ノイズの多い擬似ラベルの干渉を効果的に除去するUDA人物探索のためのDSCA(Dual Self-Calibration)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-21T06:54:00Z) - Trust And Balance: Few Trusted Samples Pseudo-Labeling and Temperature Scaled Loss for Effective Source-Free Unsupervised Domain Adaptation [16.5799094981322]
Few Trusted Samples Pseudo-labeling (FTSP) and Temperature Scaled Adaptive Loss (TSAL)を紹介する。
FTSPは、ターゲットデータからの信頼されたサンプルの限られたサブセットを使用して、ドメイン全体の擬似ラベルを推論する分類器を構築する。
TSALは、ユニークな双対温度スケジューリング、漸近的なバランスの多様性、識別性、擬似ラベルの組み込みで設計されている。
論文 参考訳（メタデータ） (2024-09-01T15:09:14Z) - CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster
Tweet Classification [51.58605842457186]
半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。
私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
論文 参考訳（メタデータ） (2023-10-23T07:01:09Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - MT-UDA: Towards Unsupervised Cross-modality Medical Image Segmentation
with Limited Source Labels [15.01727721628536]
深い教師なしドメイン適応(UDA)は、確立されたソースドメインアノテーションと豊富なターゲットドメインデータを活用することができる。
UDAメソッドはソースドメインアノテーションが不足している場合、大幅なパフォーマンス低下に悩まされる。
MT-UDAと呼ばれる新しいラベル効率のUDAフレームワークを提案し、限られたソースラベルで訓練された学生モデルは、半教師付き方式で両方のドメインのラベル付きデータから学習する。
論文 参考訳（メタデータ） (2022-03-23T14:51:00Z) - NetRCA: An Effective Network Fault Cause Localization Algorithm [22.88986905436378]
ネットワーク障害の根本原因の特定は、ネットワークの運用と保守に不可欠である。
この問題に対処するために,NetRCAという新しいアルゴリズムを提案する。
ICASSP 2022 AIOps Challengeの実際のデータセットで実験と分析が行われる。
論文 参考訳（メタデータ） (2022-02-23T02:03:35Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Weak Adaptation Learning -- Addressing Cross-domain Data Insufficiency
with Weak Annotator [2.8672054847109134]
一部のターゲット問題ドメインでは、学習プロセスを妨げる可能性のあるデータサンプルがあまりありません。
類似のソースドメインからのラベルなしデータを活用した弱い適応学習(wal)手法を提案する。
本実験は,対象領域に限定されたラベル付きデータを含む正確な分類器を学習する手法の有効性を示す。
論文 参考訳（メタデータ） (2021-02-15T06:19:25Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z)
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。