論文の概要: Adversarial Unsupervised Domain Adaptation with Conditional and Label Shift: Infer, Align and Iterate

• arxiv url: http://arxiv.org/abs/2107.13469v1
• Date: Wed, 28 Jul 2021 16:28:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 16:06:23.289145
• Title: Adversarial Unsupervised Domain Adaptation with Conditional and Label Shift: Infer, Align and Iterate
• Title（参考訳）: 条件シフトとラベルシフトによる非教師付きドメイン適応:推論、アライメント、反復
• Authors: Xiaofeng Liu, Zhenhua Guo, Site Li, Fangxu Xing, Jane You, C.-C. Jay Kuo, Georges El Fakhri, Jonghye Woo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.67549731439979
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose an adversarial unsupervised domain adaptation (UDA) approach with the inherent conditional and label shifts, in which we aim to align the distributions w.r.t. both $p(x|y)$ and $p(y)$. Since the label is inaccessible in the target domain, the conventional adversarial UDA assumes $p(y)$ is invariant across domains, and relies on aligning $p(x)$ as an alternative to the $p(x|y)$ alignment. To address this, we provide a thorough theoretical and empirical analysis of the conventional adversarial UDA methods under both conditional and label shifts, and propose a novel and practical alternative optimization scheme for adversarial UDA. Specifically, we infer the marginal $p(y)$ and align $p(x|y)$ iteratively in the training, and precisely align the posterior $p(y|x)$ in testing. Our experimental results demonstrate its effectiveness on both classification and segmentation UDA, and partial UDA.
• Abstract（参考訳）: 本稿では,w.r.tの分布を整合させることを目的として,固有条件とラベルシフトを用いた非教師なしドメイン適応(uda)アプローチを提案する。 $p(x|y)$と$p(y)$の両方。 ラベルは対象領域では到達できないので、従来の逆数 UDA は$p(y)$ が領域間で不変であると仮定し、$p(x|y)$ アライメントの代わりに$p(x)$ をアライメントすることに依存する。 そこで本稿では,従来のUDA手法の条件変化とラベルシフトの両面からの理論的,実証的な解析を行い,新しい代替最適化手法を提案する。 具体的には、トレーニング中にマージン $p(y)$ とアライメント $p(x|y)$ を反復的に推測し、テストで後方の $p(y|x)$ を正確に調整します。 以上の結果から, 分類と分節UDA, 部分的UDAの有効性が示された。

関連論文リスト

• Unsupervised Learning under Latent Label Shift [21.508249151557244]
  ラテントラベルシフト(LLS)における教師なし学習の導入 提案アルゴリズムは, ドメイン情報を利用して, 教師なし分類手法の状況を改善することができることを示す。
  論文  参考訳（メタデータ） (2022-07-26T20:52:53Z)
• Understanding Gradual Domain Adaptation: Improved Analysis, Optimal Path and Beyond [20.518134448156744]
  グラデーショナルドメイン適応(GDA)は、ソースとターゲットをブリッジする未ラベルの中間ドメインのパスを$(T-1)と仮定する。 我々は、$widetildeOleft(varepsilon_0+Oleft(sqrtlog(T)/nright)$, $Delta$が連続ドメイン間の平均分布距離であることを示す。
  論文  参考訳（メタデータ） (2022-04-18T07:39:23Z)
• Connect, Not Collapse: Explaining Contrastive Learning for Unsupervised Domain Adaptation [88.5448806952394]
  我々は、対象ドメインのラベル付きデータと対象ドメインのラベルなしデータを用いて、対象ドメインの分類器を学習する、教師なしドメイン適応(UDA)を考える。 ラベル付きソースとターゲットデータの特徴を学習し,ラベル付きソースデータに微調整を行うコントラスト事前学習は,強いUDA手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-04-01T16:56:26Z)
• Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
  本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。 具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。 類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
  論文  参考訳（メタデータ） (2021-10-04T13:09:56Z)
• Domain Generalization under Conditional and Label Shifts via Variational Bayesian Inference [15.891459629460796]
  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。
  論文  参考訳（メタデータ） (2021-07-22T21:19:12Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• Rethinking Distributional Matching Based Domain Adaptation [111.15106414932413]
  ドメイン適応(DA)は、ラベル付きソースドメインでトレーニングされた予測モデルをラベル付きターゲットドメインに転送するテクニックである。 最も一般的なDAアルゴリズムは、分散マッチング(DM)に基づいている。 本稿では,まずDMに基づく手法の限界を体系的に分析し,さらに現実的なドメインシフトを持つ新しいベンチマークを構築する。
  論文  参考訳（メタデータ） (2020-06-23T21:55:14Z)
• 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)
• Partially-Shared Variational Auto-encoders for Unsupervised Domain Adaptation with Target Shift [11.873435088539459]
  本稿では,教師なしドメイン適応(UDA)の目標シフトを考慮した新しいアプローチを提案する。 提案手法は部分共有変分オートエンコーダ (PS-VAE) であり, 特徴分布マッチングの代わりにペアワイズな特徴アライメントを用いる。 PS-VAEは、ラベル関連コンテンツを保存しながら、CycleGANベースのアーキテクチャで各サンプルの変換ドメインを相互変換する。
  論文  参考訳（メタデータ） (2020-01-22T06:41:31Z)

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。