論文の概要: Deep Spherical Manifold Gaussian Kernel for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2105.02089v1
• Date: Wed, 5 May 2021 14:39:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 15:43:48.834878
• Title: Deep Spherical Manifold Gaussian Kernel for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応のための深部球面マニフォールドガウス核
• Authors: Youshan Zhang and Brian D. Davison
• Abstract要約: 教師なしドメイン適応は、既存のリッチなラベル付きドメインから新しいドメインへ知識を転送する効果的な方法である。 既存の多様体ベースの手法は伝統的なモデルに基づいているか、主にグラスマン多様体に依存している。 本研究では、ソースおよびターゲット部分空間を球面多様体にマッピングするために、深部球面多様体ガウス核(DSGK)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.942003070153651
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Unsupervised Domain adaptation is an effective method in addressing the domain shift issue when transferring knowledge from an existing richly labeled domain to a new domain. Existing manifold-based methods either are based on traditional models or largely rely on Grassmannian manifold via minimizing differences of single covariance matrices of two domains. In addition, existing pseudo-labeling algorithms inadequately consider the quality of pseudo labels in aligning the conditional distribution between two domains. In this work, a deep spherical manifold Gaussian kernel (DSGK) framework is proposed to map the source and target subspaces into a spherical manifold and reduce the discrepancy between them by embedding both extracted features and a Gaussian kernel. To align the conditional distributions, we further develop an easy-to-hard pseudo label refinement process to improve the quality of the pseudo labels and then reduce categorical spherical manifold Gaussian kernel geodesic loss. Extensive experimental results show that DSGK outperforms state-of-the-art methods, especially on challenging cross-domain learning tasks.
• Abstract（参考訳）: 教師なしドメイン適応は、既存のリッチなラベル付きドメインから新しいドメインに知識を移す際に、ドメインシフト問題に対処する効果的な方法である。 既存の多様体ベースの手法は、伝統的なモデルに基づいているか、2つの領域の単一共分散行列の差を最小化することでグラスマン多様体に大きく依存している。 さらに、既存の擬似ラベルアルゴリズムは、2つの領域間の条件分布の整合性において擬似ラベルの品質を不適切に考慮している。 本研究では,ソース空間と対象部分空間を球面多様体にマッピングし,抽出された特徴量とガウス核の両方を埋め込み,それらの差を減少させるために,深層球面多様体gaussian kernel(dsgk)フレームワークを提案する。 条件分布を整列化するために, 擬似ラベルの品質を改善し, カテゴリ的球面多様体ガウス核測地線損失を削減するための, 容易かつハードな擬似ラベル改良法をさらに開発する。 DSGKは、特にクロスドメイン学習タスクにおいて、最先端の手法よりも優れていることを示す。

関連論文リスト

• Towards Cross-domain Few-shot Graph Anomaly Detection [6.732699844225434]
  ソースとターゲットドメイン間のデータ分散の相違により、クロスドメインの少数ショットグラフ異常検出(GAD)は簡単ではない。 我々は,上記の課題に対処するために,CDFS-GADと呼ばれるシンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-11T08:47:25Z)
• Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling [4.33404822906643]
  半教師付きドメイン適応法は、ソースラベル付きドメインからの情報を利用して、少ないラベル付きターゲットドメインを一般化する。 このような設定は半教師付き不均質ドメイン適応(SSHDA)と表記される。 SHEDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)は,対象ドメインの学習に適したエンドツーエンドのニューラルネットワークフレームワークである。
  論文  参考訳（メタデータ） (2024-06-20T08:02:49Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Deep Least Squares Alignment for Unsupervised Domain Adaptation [6.942003070153651]
  教師なしのドメイン適応はラベル付きソースドメインからの豊富な情報を活用してラベルなしのターゲットドメインをモデル化する。 線形モデルをパラメータ化することにより,2つの領域の潜在空間における分布を推定するために,最深部最小二乗アライメント(DLSA)を提案する。 拡張実験により,提案したDLSAモデルは領域分布の整合に有効であり,最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-11-03T13:23:06Z)
• Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation [55.73722120043086]
  部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。 まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。 次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
  論文  参考訳（メタデータ） (2020-12-06T19:29:32Z)
• 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)
• Discrepancy Minimization in Domain Generalization with Generative Nearest Neighbors [13.047289562445242]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。 シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。 本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
  論文  参考訳（メタデータ） (2020-07-28T14:54:25Z)
• 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)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。