論文の概要: Transporting Causal Mechanisms for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2107.11055v1
• Date: Fri, 23 Jul 2021 07:25:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 13:54:10.240618
• Title: Transporting Causal Mechanisms for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応のための輸送因果機構
• Authors: Zhongqi Yue, Hanwang Zhang, Qianru Sun, Xian-Sheng Hua
• Abstract要約: 本稿では,共同設立地層と表現を識別するための輸送因果メカニズム (TCM) を提案する。 TCMは、3つのUnsupervised Domain Adaptationベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 98.67770293233961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing Unsupervised Domain Adaptation (UDA) literature adopts the covariate shift and conditional shift assumptions, which essentially encourage models to learn common features across domains. However, due to the lack of supervision in the target domain, they suffer from the semantic loss: the feature will inevitably lose non-discriminative semantics in source domain, which is however discriminative in target domain. We use a causal view -- transportability theory -- to identify that such loss is in fact a confounding effect, which can only be removed by causal intervention. However, the theoretical solution provided by transportability is far from practical for UDA, because it requires the stratification and representation of an unobserved confounder that is the cause of the domain gap. To this end, we propose a practical solution: Transporting Causal Mechanisms (TCM), to identify the confounder stratum and representations by using the domain-invariant disentangled causal mechanisms, which are discovered in an unsupervised fashion. Our TCM is both theoretically and empirically grounded. Extensive experiments show that TCM achieves state-of-the-art performance on three challenging UDA benchmarks: ImageCLEF-DA, Office-Home, and VisDA-2017. Codes are available in Appendix.
• Abstract（参考訳）: 既存のUnsupervised Domain Adaptation (UDA)の文献では、共変量シフトと条件シフトの仮定が採用されている。 しかし、ターゲットドメインにおける監視の欠如により、それらはセマンティックな損失に悩まされる。この機能は、必然的にソースドメインにおける非差別的なセマンティクスを失う。 因果的視点 -- トランスポータビリティ理論 -- を使って、そのような損失が実際には共起効果であり、因果的介入によってのみ排除できると特定します。 しかし、輸送性によって提供される理論的解決策は、ドメインギャップの原因である観測されていない共同創設者の成層化と表現を必要とするため、UDAにとって実用的ではない。 そこで本研究では,教師なしの方法で発見されたドメイン不変な異種間因果機構を用いて,共起層と表現を識別するために,因果機構(tcm)を輸送する手法を提案する。 TCMは理論上も実証上も根拠がある。 大規模な実験により、TCMはImageCLEF-DA、Office-Home、VisDA-2017の3つの挑戦的なUDAベンチマークで最先端のパフォーマンスを達成した。 コードはAppendixで入手できる。

関連論文リスト

• Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
  遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。 この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。 この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:17:47Z)
• Causal Prototype-inspired Contrast Adaptation for Unsupervised Domain Adaptive Semantic Segmentation of High-resolution Remote Sensing Imagery [8.3316355693186]
  本稿では,異なるHRSIsドメインとそれらの意味ラベル間の不変因果機構を探索するプロトタイプインスパイアされたコントラスト適応(CPCA)手法を提案する。 ソースとターゲットのドメインイメージから因果的特徴とバイアス的特徴を、因果的特徴のアンタングルメントモジュールを通じて切り離す。 さらに因果的・偏見的特徴を非相関化するために、因果的介入モジュールを導入してバイアス的特徴に介入し、反事実的非偏見的サンプルを生成する。
  論文  参考訳（メタデータ） (2024-03-06T13:39:18Z)
• Towards Identifiable Unsupervised Domain Translation: A Diversified Distribution Matching Approach [14.025593338693698]
  教師なしドメイン翻訳(UDT)は、高レベルの意味論を変えることなく、あるドメインから別のドメインへサンプルを変換する関数を見つけることを目的としている。 本研究は、中核的識別可能性調査を掘り下げ、MPA除去理論を導入する。 この理論は, 補助変数誘導サブセット上の分布マッチングを用いたUDT学習者へ導かれる。
  論文  参考訳（メタデータ） (2024-01-18T01:07:00Z)
• LE-UDA: Label-efficient unsupervised domain adaptation for medical image segmentation [24.655779957716558]
  ラベル有効非教師付きドメイン適応(LE-UDA)と呼ばれる新規で汎用的なフレームワークを提案する。 LE-UDAでは、両ドメイン間の知識伝達のための自己認識一貫性と、UDAの機能アライメントを向上するために自己認識学習モジュールを構築している。 実験結果から,提案するLE-UDAは,限られたソースラベルを有効活用し,ドメイン間セグメンテーション性能を向上し,文献における最先端のUDAアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-05T07:47:35Z)
• Concurrent Subsidiary Supervision for Unsupervised Source-Free Domain Adaptation [58.431124236254]
  本研究では, ステッカー介入とキャストステッカー分類の新たなプロセスを開発し, 教師なしDAの目標タスクと並行して, 教師なしDA問題として扱う。 提案手法は,目標タスク適応性能の向上だけでなく,プライバシ指向のソースフリーDAも促進する。
  論文  参考訳（メタデータ） (2022-07-27T02:25:09Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)

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。