論文の概要: S$^3$VAADA: Submodular Subset Selection for Virtual Adversarial Active Domain Adaptation

• arxiv url: http://arxiv.org/abs/2109.08901v1
• Date: Sat, 18 Sep 2021 10:53:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:57:47.551033
• Title: S$^3$VAADA: Submodular Subset Selection for Virtual Adversarial Active Domain Adaptation
• Title（参考訳）: S$3$VAADA: Virtual Adversarial Active Domain Adaptationのためのサブモジュールサブセット選択
• Authors: Harsh Rangwani, Arihant Jain, Sumukh K Aithal and R. Venkatesh Babu
• Abstract要約: 現実のシナリオでは、少数のターゲットデータに対してラベルを取得することは可能かもしれません。 我々は,S$3$VAADAを提案する。これは,ラベルに対する最大情報サブセットを選択するための,新しいサブモジュール基準を導入し,また,クラスタベースのDA手順を強化する。 我々のアプローチは、ドメインシフトの度合いの異なるデータセットにおいて、競合する最先端のアプローチよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 49.01925978752677
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised domain adaptation (DA) methods have focused on achieving maximal performance through aligning features from source and target domains without using labeled data in the target domain. Whereas, in the real-world scenario's it might be feasible to get labels for a small proportion of target data. In these scenarios, it is important to select maximally-informative samples to label and find an effective way to combine them with the existing knowledge from source data. Towards achieving this, we propose S$^3$VAADA which i) introduces a novel submodular criterion to select a maximally informative subset to label and ii) enhances a cluster-based DA procedure through novel improvements to effectively utilize all the available data for improving generalization on target. Our approach consistently outperforms the competing state-of-the-art approaches on datasets with varying degrees of domain shifts.
• Abstract（参考訳）: 非教師なしドメイン適応(DA)手法は、ターゲットドメインにラベル付きデータを用いることなく、ソースドメインとターゲットドメインの特徴を整列させることにより、最大性能を達成することに重点を置いている。 一方、現実のシナリオでは、少数のターゲットデータのラベルを取得することは可能かもしれない。 これらのシナリオでは、ラベル付けするために最大形標本を選択し、ソースデータから既存の知識と組み合わせる効果的な方法を見つけることが重要である。 これを達成するために,我々はs$^3$vaadaを提案する。 i) ラベルの最大有益部分集合を選択するために、新規なサブモジュラー基準を導入する 二 新たな改良によりクラスタベースのDA手順を強化し、利用可能なすべてのデータを効果的に活用し、ターゲットの一般化を改善する。 我々のアプローチは、ドメインシフトの度合いの異なるデータセットにおける競合する最先端のアプローチよりも一貫して優れています。

関連論文リスト

• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
  対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。 不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。 の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
  論文  参考訳（メタデータ） (2023-07-21T14:37:17Z)
• MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
  セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:55:22Z)
• Combating Label Distribution Shift for Active Domain Adaptation [16.270897459117755]
  我々は、未ラベルのターゲットデータに対するアクティブドメイン適応(ADA)の問題を考える。 ドメイン適応におけるソースとターゲット間のラベル分布ミスマッチから重要な問題に対する最近の分析から着想を得て,ADAで初めてこの問題に対処する手法を考案した。
  論文  参考訳（メタデータ） (2022-08-13T09:06:45Z)
• ADeADA: Adaptive Density-aware Active Domain Adaptation for Semantic Segmentation [23.813813896293876]
  セマンティックセグメンテーションのための一般的なアクティブドメイン適応フレームワークであるADeADAについて述べる。 対象とするドメインアノテーションが5%未満の場合、我々のメソッドは完全な監視の方法と同等の結果に到達します。
  論文  参考訳（メタデータ） (2022-02-14T05:17:38Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Active Domain Adaptation via Clustering Uncertainty-weighted Embeddings [57.24806659432956]
  ディープニューラルネットワークを新しいターゲットドメインに一般化することは、彼らの現実世界のユーティリティにとって非常に重要だ。 アクティブドメイン適応(Active DA)と呼ばれるドメインシフト下でのアクティブラーニング(AL)の問題について検討する。 本稿では,モデルの下で不確かで特徴空間が多様であるラベルのターゲットインスタンスを特定するために,不確実なクラスタリングを行うActive DAの新しいラベル取得戦略であるClustering Uncertainty-weighted Embeddings (CLUE)を提案する。
  論文  参考訳（メタデータ） (2020-10-16T23:37:44Z)

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。