Fugu-MT 論文翻訳(概要): CALDA: Improving Multi-Source Time Series Domain Adaptation with Contrastive Adversarial Learning

論文の概要: CALDA: Improving Multi-Source Time Series Domain Adaptation with Contrastive Adversarial Learning

arxiv url: http://arxiv.org/abs/2109.14778v2
Date: Fri, 21 Jul 2023 16:05:34 GMT
ステータス: 処理完了
システム内更新日: 2023-07-24 17:06:35.964153
Title: CALDA: Improving Multi-Source Time Series Domain Adaptation with Contrastive Adversarial Learning
Title（参考訳）: calda: コントラスト型逆学習によるマルチソース時系列ドメイン適応の改善
Authors: Garrett Wilson, Janardhan Rao Doppa, Diane J. Cook
Abstract要約: 教師なしドメイン適応(UDA)は、データリッチ(ターゲット)ドメインにおける機械学習のパフォーマンスを改善する。これら2つの問題に対処するための新しいフレームワークであるCALDAを提案する。従来のコントラスト適応法とは異なり、CALDAはデータ拡張も擬似ラベリングも必要としない。
参考スコア（独自算出の注目度）: 31.43183992755392
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised domain adaptation (UDA) provides a strategy for improving machine learning performance in data-rich (target) domains where ground truth labels are inaccessible but can be found in related (source) domains. In cases where meta-domain information such as label distributions is available, weak supervision can further boost performance. We propose a novel framework, CALDA, to tackle these two problems. CALDA synergistically combines the principles of contrastive learning and adversarial learning to robustly support multi-source UDA (MS-UDA) for time series data. Similar to prior methods, CALDA utilizes adversarial learning to align source and target feature representations. Unlike prior approaches, CALDA additionally leverages cross-source label information across domains. CALDA pulls examples with the same label close to each other, while pushing apart examples with different labels, reshaping the space through contrastive learning. Unlike prior contrastive adaptation methods, CALDA requires neither data augmentation nor pseudo labeling, which may be more challenging for time series. We empirically validate our proposed approach. Based on results from human activity recognition, electromyography, and synthetic datasets, we find utilizing cross-source information improves performance over prior time series and contrastive methods. Weak supervision further improves performance, even in the presence of noise, allowing CALDA to offer generalizable strategies for MS-UDA. Code is available at: https://github.com/floft/calda
Abstract（参考訳）: unsupervised domain adaptation (uda)は、基盤となる真理ラベルがアクセスできないが関連する(ソース)ドメインで見られるデータ豊富な(ターゲット)ドメインにおける機械学習のパフォーマンスを改善する戦略を提供する。ラベル分布のようなメタドメイン情報を利用できる場合、弱い監督はパフォーマンスをさらに向上させる。これら2つの問題に対処するための新しいフレームワークであるCALDAを提案する。 CALDAは、時系列データに対するマルチソースUDA(MS-UDA)を強力にサポートするために、コントラスト学習と逆学習の原則を相乗的に組み合わせている。従来の手法と同様に、CALDAは逆学習を利用して、ソースとターゲットの特徴表現を整列させる。以前のアプローチとは異なり、caldaはドメイン間のクロスソースラベル情報を活用する。 caldaは、同じラベルを持つ例を互いに近くで引き寄せ、異なるラベルで例を押して、コントラスト学習を通じて空間を再形成する。従来のコントラスト適応法とは異なり、CALDAはデータ拡張も擬似ラベリングも必要としない。提案したアプローチを実証的に検証する。人間の活動認識、筋電図、合成データセットの結果から、クロスソース情報を利用することで、過去の時系列やコントラスト法よりも性能が向上することがわかった。 CALDA は,MS-UDA に対して一般化可能な戦略を提供することができるため,ノイズの存在下でも性能が向上する。コードは、https://github.com/floft/calda.comで入手できる。

関連論文リスト

SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing [14.007392647145448]
UDAは、ラベル付きソースドメインデータをトレーニングしながら、ラベルなしのターゲットドメインデータからモデルを学習することを可能にする。コントラスト学習を UDA に統合し,セマンティック情報を取得する能力を向上させることを提案する。我々のSimSegメソッドは既存の手法より優れ、最先端の結果が得られます。
論文参考訳（メタデータ） (2024-10-17T11:59:39Z)
Improving Domain Adaptation Through Class Aware Frequency Transformation [15.70058524548143]
Unsupervised Domain Adaptation (UDA)アルゴリズムのほとんどは、ラベル付きソースと非ラベル付きターゲットドメインの間のグローバルドメインシフトの削減に重点を置いている。本稿では,従来の画像処理手法であるCAFT(Class Aware Frequency Transformation)に基づく新しい手法を提案する。 CAFTは、既存のUDAアルゴリズムの全体的な性能を改善するために、擬似ラベルに基づく一貫した低周波スワップを使用する。
論文参考訳（メタデータ） (2024-07-28T18:16:41Z)
Simplifying Open-Set Video Domain Adaptation with Contrastive Learning [16.72734794723157]
ラベル付きデータセットから非ラベル付きデータセットに予測モデルを適用するために、教師なしのビデオドメイン適応手法が提案されている。我々は、OUVDA(Open-set Video Domain adapt)と呼ばれるより現実的なシナリオに対処し、ターゲットデータセットはソースと共有されていない"未知"セマンティックカテゴリを含む。本稿では,ビデオデータ中の時間情報を自由に利用することで,特徴空間をよりよくクラスタ化できるビデオ指向の時間的コントラスト損失を提案する。
論文参考訳（メタデータ） (2023-01-09T13:16:50Z)
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)
Contrastive Learning for Unsupervised Domain Adaptation of Time Series [29.211602179219316]
教師なしドメイン適応(UDA)は、ラベル付きソースドメインを使用して機械学習モデルを学習することを目的としている。我々はCLUDAと呼ばれる時系列データのUDAのための新しいフレームワークを開発した。本稿では,本フレームワークが時系列UDAの最先端性能を実現することを示す。
論文参考訳（メタデータ） (2022-06-13T15:23:31Z)
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)
Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
インテント分類は、音声言語理解(SLU)における主要な課題である近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
論文参考訳（メタデータ） (2021-06-28T08:27:38Z)
Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文参考訳（メタデータ） (2021-03-21T23:58:39Z)
Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-08-03T15:00:31Z)
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)
Multi-Source Deep Domain Adaptation with Weak Supervision for Time-Series Sensor Data [31.43183992755392]
時系列データ(CoDATS)のための新しい畳み込み深層ドメイン適応モデルを提案する。第二に、ターゲットドメインラベル分布の形での弱監督を生かして、新しいドメイン適応型弱スーパービジョン(DA-WS)手法を提案する。第3に、ドメイン適応と弱い監督手法の有効性を評価するために、多様な実世界のデータセットに関する包括的な実験を行う。
論文参考訳（メタデータ） (2020-05-22T04:16:58Z)

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。