論文の概要: On-target Adaptation

• arxiv url: http://arxiv.org/abs/2109.01087v1
• Date: Thu, 2 Sep 2021 17:04:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 16:08:37.306961
• Title: On-target Adaptation
• Title（参考訳）: オンターゲット適応
• Authors: Dequan Wang, Shaoteng Liu, Sayna Ebrahimi, Evan Shelhamer, Trevor Darrell
• Abstract要約: ドメイン適応は、Emphtargetドメインでのトレーニングとテストの間のシフトを軽減することを目指している。 ほとんどの適応法は、ソースデータとターゲットデータに対する共同最適化によるソースデータに依存している。 対象データから純粋に表現を学習するオン・ターゲット適応による大幅な改善を示す。
• 参考スコア（独自算出の注目度）: 82.77980951331854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation seeks to mitigate the shift between training on the \emph{source} domain and testing on the \emph{target} domain. Most adaptation methods rely on the source data by joint optimization over source data and target data. Source-free methods replace the source data with a source model by fine-tuning it on target. Either way, the majority of the parameter updates for the model representation and the classifier are derived from the source, and not the target. However, target accuracy is the goal, and so we argue for optimizing as much as possible on the target data. We show significant improvement by on-target adaptation, which learns the representation purely from target data while taking only the source predictions for supervision. In the long-tailed classification setting, we show further improvement by on-target class distribution learning, which learns the (im)balance of classes from target data.
• Abstract（参考訳）: ドメイン適応は、 \emph{source} ドメインのトレーニングと \emph{target} ドメインのテストの間のシフトを緩和しようとするものである。 ほとんどの適応法は、ソースデータとターゲットデータに対する共同最適化によるソースデータに依存している。 ソースフリーメソッドはソースデータをターゲットに微調整することでソースモデルに置き換える。 いずれにしても、モデル表現と分類器のパラメータ更新の大部分はソースからであり、ターゲットではない。 しかし、目標精度が目標であるため、ターゲットデータ上で可能な限り最適化することを議論する。 対象データから純粋に表現を学習し、ソース予測のみを監督対象とするオンターゲット適応による大幅な改善を示す。 長期的分類設定では、対象データからクラス(im)バランスを学習するオンターゲットクラス分布学習により、さらなる改善が示される。

関連論文リスト

• Mitigating the Bias in the Model for Continual Test-Time Adaptation [32.33057968481597]
  連続的テスト時間適応(Continuous Test-Time Adaptation, CTA)は、ソース事前学習モデルを目標ドメインの継続的な変更に適応させることを目的とした、困難なタスクである。 対象データの連鎖分布に常に適応するため、モデルは非常に偏りのある予測を示す。 本稿では,CTAシナリオの性能向上のために,この問題を緩和する。
  論文  参考訳（メタデータ） (2024-03-02T23:37:16Z)
• MetaAdapt: Domain Adaptive Few-Shot Misinformation Detection via Meta Learning [10.554043875365155]
  本稿ではメタ学習に基づくメタアダプティブ(メタアダプティブ)を提案する。 特に、複数のソースタスクで初期モデルをトレーニングし、メタタスクとの類似性スコアを計算する。 そのため、MetaAdaptは、誤情報検出モデルに適応する方法を学び、ソースデータを利用してターゲットドメインのパフォーマンスを改善することができる。
  論文  参考訳（メタデータ） (2023-05-22T04:00:38Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Unsupervised Adaptation of Semantic Segmentation Models without Source Data [14.66682099621276]
  意味的セグメンテーションのためのソースデータにアクセスすることなく、ソースモデルの教師なしドメイン適応という新しい問題を考察する。 本稿では,ソースモデルから知識を抽出する自己学習手法を提案する。 我々のフレームワークは、ターゲットデータに直接ソースモデルを適用した場合と比較して、大幅なパフォーマンス向上を実現できます。
  論文  参考訳（メタデータ） (2021-12-04T15:13:41Z)
• 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)

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。