論文の概要: Domain Generalization under Conditional and Label Shifts via Variational Bayesian Inference

• arxiv url: http://arxiv.org/abs/2107.10931v1
• Date: Thu, 22 Jul 2021 21:19:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 23:00:47.469839
• Title: Domain Generalization under Conditional and Label Shifts via Variational Bayesian Inference
• Title（参考訳）: 変分ベイズ推論による条件およびラベルシフト下の領域一般化
• Authors: Xiaofeng Liu, Bo Hu, Linghao Jin, Xu Han, Fangxu Xing, Jinsong Ouyang, Jun Lu, Georges EL Fakhri, Jonghye Woo
• Abstract要約: 本稿では,複数のラベル付きソースドメインについて学習するドメイン一般化(DG)手法を提案する。 我々のフレームワークはラベルシフトに対して堅牢であり、ドメイン間の精度が大幅に向上していることを示す。
• 参考スコア（独自算出の注目度）: 15.891459629460796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose a domain generalization (DG) approach to learn on several labeled source domains and transfer knowledge to a target domain that is inaccessible in training. Considering the inherent conditional and label shifts, we would expect the alignment of $p(x|y)$ and $p(y)$. However, the widely used domain invariant feature learning (IFL) methods relies on aligning the marginal concept shift w.r.t. $p(x)$, which rests on an unrealistic assumption that $p(y)$ is invariant across domains. We thereby propose a novel variational Bayesian inference framework to enforce the conditional distribution alignment w.r.t. $p(x|y)$ via the prior distribution matching in a latent space, which also takes the marginal label shift w.r.t. $p(y)$ into consideration with the posterior alignment. Extensive experiments on various benchmarks demonstrate that our framework is robust to the label shift and the cross-domain accuracy is significantly improved, thereby achieving superior performance over the conventional IFL counterparts.
• Abstract（参考訳）: 本稿では,いくつかのラベル付きソースドメインを学習し,トレーニングでアクセス不能な対象ドメインに知識を転送するための,dg(domain generalization)アプローチを提案する。 固有条件とラベルのシフトを考えると、$p(x|y)$と$p(y)$のアライメントが期待できる。 しかし、広く使われているドメイン不変特徴学習(IFL)法は、限界概念シフト w.r.t の整合に依存する。 $p(x)$ は、$p(y)$ が領域間で不変であるという非現実的な仮定に基づいている。 そこで我々は条件分布アライメントw.r.tを強制する新しい変分ベイズ推論フレームワークを提案する。 $p(x|y)$ は、潜在空間における事前分布マッチングを経由し、辺ラベルシフト w.r.t を取る。 後方アライメントを考慮に入れると、$p(y)$になります。 各種ベンチマーク実験により,本フレームワークはラベルシフトに対して頑健であり,ドメイン間精度が大幅に向上し,従来のIRFよりも優れた性能が得られた。

関連論文リスト

• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• Improving Domain Generalization with Domain Relations [77.63345406973097]
  本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。 ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。 以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-02-06T08:11:16Z)
• Class Overwhelms: Mutual Conditional Blended-Target Domain Adaptation [5.77521191881575]
  ブレンデッドターゲットドメイン適応(BTDA)の現在の方法は通常、ドメインラベル情報を推測または検討する。 本稿では,不確実性に導かれる分類領域判別器を提案し,分類分布を明示的にモデル化し,直接整合させる。 提案手法は,ドメインラベルを用いた手法と比較して,BTDAの最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2023-02-03T03:08:31Z)
• Domain Adaptation under Open Set Label Shift [39.424134505152544]
  オープンセットラベルシフト(OSLS)におけるドメイン適応問題について紹介する。 OSLSはラベルシフトとポジティブアンラベル(PU)学習の下でドメイン適応を仮定する。 ブラックボックス予測器を利用する両方のタスクに対して,実用的な手法を提案する。
  論文  参考訳（メタデータ） (2022-07-26T17:09:48Z)
• Domain-shift adaptation via linear transformations [11.541238742226199]
  ソースドメイン(A)のデータから学習した予測子$f_Aは、分布が異なる場合、ターゲットドメイン(B)上で正確でない可能性がある。 ソースとターゲットドメインを低次元の共通空間に投影する手法を提案する。 シミュレーションデータと二進数分類タスクにおけるアプローチの有効性を示し、データのドメインシフトを補正する際の精度を最大48%向上させる。
  論文  参考訳（メタデータ） (2022-01-14T02:49:03Z)
• Adversarial Unsupervised Domain Adaptation with Conditional and Label Shift: Infer, Align and Iterate [47.67549731439979]
  本稿では, 固有条件およびラベルシフトを用いた, 対向的非教師付きドメイン適応(UDA)アプローチを提案する。 差分$p(y)$を推論し、トレーニングにおいて反復的に$p(x|y)$をアライメントし、テストにおいて後方$p(y|x)$を正確にアライメントする。
  論文  参考訳（メタデータ） (2021-07-28T16:28:01Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
  本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。 対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。 テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
  論文  参考訳（メタデータ） (2020-08-04T16:20:37Z)
• Domain Adaptation with Conditional Distribution Matching and Generalized Label Shift [20.533804144992207]
  相互学習は教師なし領域適応設定において優れた性能を示した。 本稿では,ラベル分布の不一致に対するロバスト性を改善するために,新たな仮定である一般化ラベルシフト(GLS$)を提案する。 我々のアルゴリズムは、大きなラベルの分布ミスマッチに対して大幅に改善され、ベースバージョンよりも優れています。
  論文  参考訳（メタデータ） (2020-03-10T00:35:23Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。