論文の概要: Domain Adaptation by Maximizing Population Correlation with Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2109.06652v1
• Date: Sun, 12 Sep 2021 14:41:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:53:52.663002
• Title: Domain Adaptation by Maximizing Population Correlation with Neural Architecture Search
• Title（参考訳）: ニューラルネットワークによる人口相関の最大化による領域適応
• Authors: Zhixiong Yue, Pengxin Guo, Yu Zhang
• Abstract要約: 我々は、ドメイン適応(DA)の領域差を測定するために、PC(Population correlation)と呼ばれる新しい類似関数を提案する。 また,DAの領域不変な特徴表現を学習するために,DAMPC(Population correlation)を最大化するドメイン適応法を提案する。 Office-31、Office-Home、VisDA-2017などのベンチマークデータセットの実験では、提案されたDAMPC-NASメソッドが最先端のDAメソッドよりも優れた結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 3.942782663838177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Domain Adaptation (DA), where the feature distributions of the source and target domains are different, various distance-based methods have been proposed to minimize the discrepancy between the source and target domains to handle the domain shift. In this paper, we propose a new similarity function, which is called Population Correlation (PC), to measure the domain discrepancy for DA. Base on the PC function, we propose a new method called Domain Adaptation by Maximizing Population Correlation (DAMPC) to learn a domain-invariant feature representation for DA. Moreover, most existing DA methods use hand-crafted bottleneck networks, which may limit the capacity and flexibility of the corresponding model. Therefore, we further propose a method called DAMPC with Neural Architecture Search (DAMPC-NAS) to search the optimal network architecture for DAMPC. Experiments on several benchmark datasets, including Office-31, Office-Home, and VisDA-2017, show that the proposed DAMPC-NAS method achieves better results than state-of-the-art DA methods.
• Abstract（参考訳）: ソースとターゲットドメインの特徴分布が異なるドメイン適応(DA)では、ソースとターゲットドメイン間の差を最小限に抑えるために、様々な距離ベースの手法が提案されている。 本稿では,DAの領域差を測定するために,PC(Population correlation)と呼ばれる新しい類似性関数を提案する。 pc関数のベースとして,daのためのドメイン不変特徴表現を学ぶために,人口相関(dampc)を最大化することで,ドメイン適応と呼ばれる新しい手法を提案する。 さらに、既存のDA手法の多くは手作りのボトルネックネットワークを使用し、対応するモデルのキャパシティと柔軟性を制限する可能性がある。 そこで本研究では,DAMPCの最適ネットワークアーキテクチャを探索する,DAMPC with Neural Architecture Search (DAMPC-NAS)を提案する。 Office-31、Office-Home、VisDA-2017などのベンチマークデータセットの実験では、提案されたDAMPC-NASメソッドが最先端のDAメソッドよりも優れた結果が得られることが示された。

関連論文リスト

• Domain-Guided Conditional Diffusion Model for Unsupervised Domain Adaptation [23.668005880581248]
  本研究では,DomAin-guided Conditional Diffusion Model (DACDM)を提案する。 生成されたサンプルは、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つため、転送性能が向上する。
  論文  参考訳（メタデータ） (2023-09-23T07:09:44Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation [3.367755441623275]
  マルチソースアン教師付きドメイン適応(MUDA)は、関連するソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 アクティブマルチドメイン適応(D3AAMDA)のための動的ドメイン不一致適応法(Dynamic Domain Disrepancy Adjustment)を提案する。 このメカニズムは、ソースドメインとターゲットドメイン間の特徴のアライメントレベルを制御し、ソースドメイン内のローカルな有利な特徴情報を効果的に活用する。
  論文  参考訳（メタデータ） (2023-07-26T09:40:19Z)
• 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)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• T-SVDNet: Exploring High-Order Prototypical Correlations for Multi-Source Domain Adaptation [41.356774580308986]
  マルチソースドメイン適応の課題に対処するために,T-SVDNetという新しい手法を提案する。 複数のドメインとカテゴリの高次相関は、ドメインギャップを埋めるため、完全に検討されている。 ノイズ源データによる負の伝達を回避するため,新しい不確実性を考慮した重み付け手法を提案する。
  論文  参考訳（メタデータ） (2021-07-30T06:33:05Z)
• FixBi: Bridging Domain Spaces for Unsupervised Domain Adaptation [26.929772844572213]
  我々は、ソースとターゲットドメイン間の複数の中間ドメインを拡大するために、固定比に基づくミックスアップを導入する。 我々は、相補的な特性を持つソース支配モデルとターゲット支配モデルを訓練する。 提案手法により,モデルが対象ドメインに徐々にドメイン知識を伝達する。
  論文  参考訳（メタデータ） (2020-11-18T11:58:19Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• 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 for Text Classification via DistanceNet-Bandits [101.68525259222164]
  本研究では,NLPタスクのコンテキストにおいて,サンプル推定に基づく領域間の相違を特徴付ける様々な距離ベース尺度について検討する。 タスクの損失関数と協調して最小化するために,これらの距離測度を付加的な損失関数として用いるディスタンスネットモデルを開発した。 マルチアーム・バンド・コントローラを用いて複数のソース・ドメインを動的に切り替えるDistanceNet-Banditモデルに拡張する。
  論文  参考訳（メタデータ） (2020-01-13T15:53:41Z)

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。