論文の概要: Nearest Neighborhood-Based Deep Clustering for Source Data-absent
Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2107.12585v1
- Date: Tue, 27 Jul 2021 04:13:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 14:56:08.028370
- Title: Nearest Neighborhood-Based Deep Clustering for Source Data-absent
Unsupervised Domain Adaptation
- Title（参考訳）: 最寄りの近傍型深層クラスタリングによるソースデータ-教師なし領域適応
- Authors: Song Tang, Yan Yang, Zhiyuan Ma, Norman Hendrich, Fanyu Zeng, Shuzhi
Sam Ge, Changshui Zhang, Jianwei Zhang
- Abstract要約: 教師なしドメイン適応(UDA)の古典的な設定では、ラベル付きソースデータがトレーニングフェーズで利用可能である。
多くの実世界のシナリオでは、ソースデータはアクセス不能であり、ソースドメインでトレーニングされたモデルのみが利用可能です。
本稿では,この課題に対する新しいディープクラスタリング手法を提案する。
- 参考スコア（独自算出の注目度）: 33.394228127643494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the classic setting of unsupervised domain adaptation (UDA), the labeled
source data are available in the training phase. However, in many real-world
scenarios, owing to some reasons such as privacy protection and information
security, the source data is inaccessible, and only a model trained on the
source domain is available. This paper proposes a novel deep clustering method
for this challenging task. Aiming at the dynamical clustering at feature-level,
we introduce extra constraints hidden in the geometric structure between data
to assist the process. Concretely, we propose a geometry-based constraint,
named semantic consistency on the nearest neighborhood (SCNNH), and use it to
encourage robust clustering. To reach this goal, we construct the nearest
neighborhood for every target data and take it as the fundamental clustering
unit by building our objective on the geometry. Also, we develop a more
SCNNH-compliant structure with an additional semantic credibility constraint,
named semantic hyper-nearest neighborhood (SHNNH). After that, we extend our
method to this new geometry. Extensive experiments on three challenging UDA
datasets indicate that our method achieves state-of-the-art results. The
proposed method has significant improvement on all datasets (as we adopt SHNNH,
the average accuracy increases by over 3.0\% on the large-scaled dataset). Code
is available at https://github.com/tntek/N2DCX.
- Abstract（参考訳）: unsupervised domain adaptation(uda)の古典的な設定では、ラベル付きソースデータがトレーニングフェーズで利用可能である。
しかし、多くの現実のシナリオでは、プライバシー保護や情報セキュリティといったいくつかの理由から、ソースデータはアクセス不能であり、ソースドメインでトレーニングされたモデルのみが利用可能である。
本稿では,この課題に対する新しい深層クラスタリング手法を提案する。
特徴レベルでの動的クラスタリングを目指して,データ間の幾何学的構造に隠された余分な制約を導入し,プロセスを支援する。
具体的には,scnnh(semantic consistency on the near neighborhood)と呼ばれる幾何学に基づく制約を提案し,それを用いてロバストクラスタリングを奨励する。
この目標を達成するために,各対象データに対して最も近い近傍を構築し,幾何学上の目標を構築することにより,基本クラスタリングユニットとする。
また,よりSCNNHに適合する構造を新たに構築し,セマンティックハイパーアレスト近傍(SHNNH)と命名した。
その後、この手法を新しい幾何学に拡張する。
3つの挑戦的UDAデータセットに対する大規模な実験は、我々の手法が最先端の結果を得ることを示す。
提案手法は,全データセットに対して有意に改善されている(SHNNHを採用すると,大規模データセットでは平均精度が3.0\%以上向上する)。
コードはhttps://github.com/tntek/N2DCXで入手できる。
関連論文リスト
- Trust your Good Friends: Source-free Domain Adaptation by Reciprocal
Neighborhood Clustering [50.46892302138662]
我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。
提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。
本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
論文 参考訳（メタデータ） (2023-09-01T15:31:18Z) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳（メタデータ） (2023-03-29T08:23:26Z) - Nearest Neighbor-Based Contrastive Learning for Hyperspectral and LiDAR
Data Classification [45.026868970899514]
本稿では,Nearest Neighbor-based Contrastive Learning Network (NNCNet)を提案する。
具体的には,近隣地域間のセマンティック関係を強化した近傍データ拡張手法を提案する。
さらに,HSIデータとLiDARデータ間の2次・高次特徴相互作用を生かしたバイリニアアテンションモジュールを設計する。
論文 参考訳（メタデータ） (2023-01-09T13:43:54Z) - Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。
そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。
実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-05-12T02:23:25Z) - Exploiting the Intrinsic Neighborhood Structure for Source-free Domain
Adaptation [47.907168218249694]
我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。
対象データの局所親和性を定義し, 局所親和性の高いデータ間のラベルの整合性を促進することによって, この固有構造を捉える。
本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
論文 参考訳（メタデータ） (2021-10-08T15:40:18Z) - Index $t$-SNE: Tracking Dynamics of High-Dimensional Datasets with
Coherent Embeddings [1.7188280334580195]
本稿では,クラスタの位置を保存した新しいものを作成するために,埋め込みを再利用する手法を提案する。
提案アルゴリズムは,新しい項目を埋め込むために$t$-SNEと同じ複雑さを持つ。
論文 参考訳（メタデータ） (2021-09-22T06:45:37Z) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳（メタデータ） (2020-12-08T08:52:00Z) - Overcomplete Deep Subspace Clustering Networks [80.16644725886968]
4つのベンチマークデータセットの実験結果から,クラスタリング誤差の観点から,DSCや他のクラスタリング手法に対する提案手法の有効性が示された。
また,本手法は,最高の性能を得るために事前学習を中止する点にDSCほど依存せず,騒音にも頑健である。
論文 参考訳（メタデータ） (2020-11-16T22:07:18Z) - CycleCluster: Modernising Clustering Regularisation for Deep
Semi-Supervised Classification [0.0]
深層半教師付き分類のための新しいフレームワークであるCycleClusterを提案する。
我々のコア最適化は、グラフベースの擬似ラベルと共有深層ネットワークとともに、新たなクラスタリングベースの正規化によって推進されます。
論文 参考訳（メタデータ） (2020-01-15T13:34:02Z)
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。