論文の概要: Black-box Probe for Unsupervised Domain Adaptation without Model Transferring

• arxiv url: http://arxiv.org/abs/2107.10174v1
• Date: Wed, 21 Jul 2021 16:00:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-22 14:10:20.894038
• Title: Black-box Probe for Unsupervised Domain Adaptation without Model Transferring
• Title（参考訳）: モデル転送を伴わない教師なし領域適応のためのブラックボックスプローブ
• Authors: Kunhong Wu, Yucheng Shi, Yahong Han, Yunfeng Shao, Bingshuai Li
• Abstract要約: 非教師付きドメイン適応(UDA)メソッドは、ソースドメインからターゲットドメインにデータを転送することなく、有望なパフォーマンスを達成することができる。 多くのデータクリティカルなシナリオでは、モデル転送に基づくメソッドは、メンバシップ推論攻撃に悩まされ、プライベートデータを公開する。 我々は、サードパーティのデータセットを用いて、ソースモデルからの情報を探索・精査するためのクエリメカニズムを採用したブラックボックスプローブドメイン適応(BPDA)を提案する。
• 参考スコア（独自算出の注目度）: 30.55386853475974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, researchers have been paying increasing attention to the threats brought by deep learning models to data security and privacy, especially in the field of domain adaptation. Existing unsupervised domain adaptation (UDA) methods can achieve promising performance without transferring data from source domain to target domain. However, UDA with representation alignment or self-supervised pseudo-labeling relies on the transferred source models. In many data-critical scenarios, methods based on model transferring may suffer from membership inference attacks and expose private data. In this paper, we aim to overcome a challenging new setting where the source models are only queryable but cannot be transferred to the target domain. We propose Black-box Probe Domain Adaptation (BPDA), which adopts query mechanism to probe and refine information from source model using third-party dataset. In order to gain more informative query results, we further propose Distributionally Adversarial Training (DAT) to align the distribution of third-party data with that of target data. BPDA uses public third-party dataset and adversarial examples based on DAT as the information carrier between source and target domains, dispensing with transferring source data or model. Experimental results on benchmarks of Digit-Five, Office-Caltech, Office-31, Office-Home, and DomainNet demonstrate the feasibility of BPDA without model transferring.
• Abstract（参考訳）: 近年、ディープラーニングモデルによるデータセキュリティとプライバシへの脅威、特にドメイン適応の分野では、研究者はますます注意を払っている。 既存のunsupervised domain adaptation (uda)メソッドは、ソースドメインからターゲットドメインにデータを転送することなく、有望なパフォーマンスを達成できる。 しかし、表現アライメントや自己教師付き擬似ラベルを持つUDAは、転送元モデルに依存している。 多くのデータクリティカルなシナリオでは、モデル転送に基づくメソッドはメンバーシップ推論攻撃に苦しめられ、プライベートデータを公開する。 本稿では,ソースモデルがクエリ可能であるだけでなく,対象ドメインに転送できないような,新たな課題を克服することを目的とする。 我々は、サードパーティのデータセットを用いてソースモデルからの情報を探索・精査するためのクエリ機構を採用したブラックボックスプローブドメイン適応(BPDA)を提案する。 より情報的なクエリ結果を得るためには、さらにDAT(Distributally Adversarial Training)を提案し、サードパーティデータの分布とターゲットデータの分布を整合させる。 BPDAは、ソースドメインとターゲットドメインの間の情報キャリアとして、DATに基づく公開サードパーティデータセットと敵の例を使用し、ソースデータやモデルを転送する必要がない。 Digit-Five、Office-Caltech、Office-31、Office-Home、DomainNetのベンチマーク実験の結果、BPDAはモデル転送なしで実現可能であることが示された。

関連論文リスト

• Transcending Domains through Text-to-Image Diffusion: A Source-Free Approach to Domain Adaptation [6.649910168731417]
  ドメイン適応(ドメイン適応、Domain Adaptation、DA)は、アノテートデータが不十分なターゲットドメインにおけるモデルの性能を高める方法である。 本研究では,対象領域のサンプルに基づいてトレーニングしたテキスト・ツー・イメージ拡散モデルを用いて,ソースデータを生成する新しいSFDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-02T23:38:17Z)
• A Prototype-Oriented Clustering for Domain Shift with Source Privacy [66.67700676888629]
  本稿では,PCD(Prototype-oriented Clustering with Distillation)を導入し,既存の手法の性能と適用性を向上させる。 PCDはまず、プロトタイプとデータの分布を整列することで、ソースクラスタリングモデルを構築する。 その後、ソースモデルが提供するクラスタラベルを通じてターゲットモデルに知識を蒸留し、同時にターゲットデータをクラスタ化する。
  論文  参考訳（メタデータ） (2023-02-08T00:15:35Z)
• Domain Alignment Meets Fully Test-Time Adaptation [24.546705919244936]
  デプロイされたMLモデルの基本的な要件は、トレーニングとは異なるテストディストリビューションから引き出されたデータに一般化することである。 本稿では,元のソースデータへのアクセスを制限した,この問題の難易度に焦点をあてる。 ソースデータ全体にアクセスする必要性を緩和し,UDAとFTTAを橋渡しする新しいアプローチCATTAnを提案する。
  論文  参考訳（メタデータ） (2022-07-09T03:17:19Z)
• 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)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Source-Free Domain Adaptation for Semantic Segmentation [11.722728148523366]
  Unsupervised Domain Adaptation(UDA)は、セマンティックセグメンテーションのための畳み込みニューラルネットワークベースのアプローチがピクセルレベルの注釈付きデータに大きく依存するという課題に取り組むことができる。 そこで本稿では,十分に訓練されたソースモデルとラベルなしのターゲットドメインデータセットのみを適用可能な,意味セグメンテーションのためのソースフリーなドメイン適応フレームワークsfdaを提案する。
  論文  参考訳（メタデータ） (2021-03-30T14:14:29Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• 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)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。