論文の概要: Automatic Online Multi-Source Domain Adaptation

• arxiv url: http://arxiv.org/abs/2109.01996v1
• Date: Sun, 5 Sep 2021 05:07:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:56:20.888867
• Title: Automatic Online Multi-Source Domain Adaptation
• Title（参考訳）: オンライン・マルチソース・ドメインの自動適応
• Authors: Renchunzi Xie, Mahardhika Pratama
• Abstract要約: 本稿では,マルチソースストリーミングプロセスにおけるオンラインドメイン適応手法,すなわち自動オンラインマルチソースドメイン適応(AOMSDA)を提案する。 AOMSDAは8例中5例で勝っていることが示された。
• 参考スコア（独自算出の注目度）: 15.475463516901936
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Knowledge transfer across several streaming processes remain challenging problem not only because of different distributions of each stream but also because of rapidly changing and never-ending environments of data streams. Albeit growing research achievements in this area, most of existing works are developed for a single source domain which limits its resilience to exploit multi-source domains being beneficial to recover from concept drifts quickly and to avoid the negative transfer problem. An online domain adaptation technique under multisource streaming processes, namely automatic online multi-source domain adaptation (AOMSDA), is proposed in this paper. The online domain adaptation strategy of AOMSDA is formulated under a coupled generative and discriminative approach of denoising autoencoder (DAE) where the central moment discrepancy (CMD)-based regularizer is integrated to handle the existence of multi-source domains thereby taking advantage of complementary information sources. The asynchronous concept drifts taking place at different time periods are addressed by a self-organizing structure and a node re-weighting strategy. Our numerical study demonstrates that AOMSDA is capable of outperforming its counterparts in 5 of 8 study cases while the ablation study depicts the advantage of each learning component. In addition, AOMSDA is general for any number of source streams. The source code of AOMSDA is shared publicly in https://github.com/Renchunzi-Xie/AOMSDA.git.
• Abstract（参考訳）: 複数のストリーミングプロセス間の知識伝達は、各ストリームの分布が異なるだけでなく、データストリームの急激な変化と絶え間ない環境のため、依然として困難な問題である。 この領域における研究成果の増大にもかかわらず、既存の研究の多くは、そのレジリエンスを制限して、概念のドリフトから素早く回復し、負の転送問題を避けるために、複数のソースドメインを活用するために有用である。 本稿では,マルチソースストリーミングプロセスに基づくオンラインドメイン適応手法であるautomated online multi-source domain adaptation (aomsda)を提案する。 AOMSDAのオンラインドメイン適応戦略は、中央モーメント不一致(CMD)ベースの正規化器を統合化して複数ソースドメインの存在を処理し、相補的な情報ソースを利用する、自動エンコーダ(DAE)の生成的および識別的アプローチで定式化される。 異なる期間に発生する非同期の概念ドリフトは、自己組織化構造とノード再重み付け戦略によって対処される。 本研究は,aomsdaが8例中5例で,aomsdaの成績を上回ることができ,一方,アブレーション研究では各学習成分の利点が示される。 さらに、AOMSDAは任意の数のソースストリームに対して一般的なものである。 AOMSDAのソースコードはhttps://github.com/Renchunzi-Xie/AOMSDA.gitで公開されている。

関連論文リスト

• More is Better: Deep Domain Adaptation with Multiple Sources [34.26271755493111]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを異なる分布を持つ複数のソースから収集できる、強力で実用的な拡張である。 本調査では,まず様々なMDA戦略を定義し,その後,異なる視点から,深層学習時代の現代MDA手法を体系的に要約し,比較する。
  論文  参考訳（メタデータ） (2024-05-01T03:37:12Z)
• Noisy Universal Domain Adaptation via Divergence Optimization for Visual Recognition [30.31153237003218]
  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、Noisy UniDAという新しいシナリオが提案されている。 ノイズUniDAで直面するすべての課題に同時に対処するために、マルチヘッド畳み込みニューラルネットワークフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-20T14:18:38Z)
• Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
  マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。 実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
  論文  参考訳（メタデータ） (2022-09-30T03:40:10Z)
• Federated Semi-Supervised Domain Adaptation via Knowledge Transfer [6.7543356061346485]
  本稿では,複数の分散および機密データセットに対して半教師付きドメイン適応(SSDA)を実現するための革新的なアプローチを提案する。 Federated Semi-Supervised Domain Adaptation (FSSDA)は、戦略的に設計された知識蒸留技術に基づいて、SSDAとフェデレートラーニングを統合している。 FSSDA設計の有効性と効率を実証するために大規模な実験を行った。
  論文  参考訳（メタデータ） (2022-07-21T19:36:10Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Multi-Source domain adaptation via supervised contrastive learning and confident consistency regularization [0.0]
  Multi-Source Unsupervised Domain Adaptation (multi-source UDA)は、複数のラベル付きソースドメインからモデルを学習することを目的としている。 本稿では,この制限に対処するマルチソースUDAに対して,コントラスト型マルチソースドメイン適応(CMSDA)を提案する。
  論文  参考訳（メタデータ） (2021-06-30T14:39:15Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)
• Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [53.656086832255944]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。 MDAは学術と産業の両方で注目を集めている。
  論文  参考訳（メタデータ） (2020-02-26T08:07:58Z)

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。