論文の概要: Reducing the Covariate Shift by Mirror Samples in Cross Domain Alignment

• arxiv url: http://arxiv.org/abs/2110.06448v1
• Date: Wed, 13 Oct 2021 02:25:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 14:59:48.029848
• Title: Reducing the Covariate Shift by Mirror Samples in Cross Domain Alignment
• Title（参考訳）: クロスドメインアライメントにおけるミラーサンプルによる共変量シフトの低減
• Authors: Yin Zhao, Minquan Wang, Longjun Cai
• Abstract要約: 本稿では,他の領域における等価サンプルを表す鏡(仮想ミラー)という新しい概念を紹介する。 ミラー対と呼ばれる等価なサンプル対は、経験的分布の自然な対応を反映している。 ミラー対のクロスドメインを整列するミラー損失は、ドメインの整列性を高めるために構築される。
• 参考スコア（独自算出の注目度）: 6.004178835056764
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Eliminating the covariate shift cross domains is one of the common methods to deal with the issue of domain shift in visual unsupervised domain adaptation. However, current alignment methods, especially the prototype based or sample-level based methods neglect the structural properties of the underlying distribution and even break the condition of covariate shift. To relieve the limitations and conflicts, we introduce a novel concept named (virtual) mirror, which represents the equivalent sample in another domain. The equivalent sample pairs, named mirror pairs reflect the natural correspondence of the empirical distributions. Then a mirror loss, which aligns the mirror pairs cross domains, is constructed to enhance the alignment of the domains. The proposed method does not distort the internal structure of the underlying distribution. We also provide theoretical proof that the mirror samples and mirror loss have better asymptotic properties in reducing the domain shift. By applying the virtual mirror and mirror loss to the generic unsupervised domain adaptation model, we achieved consistent superior performance on several mainstream benchmarks.
• Abstract（参考訳）: コバリアイトシフトクロスドメインの除去は、視覚的教師なしドメイン適応におけるドメインシフトの問題に対処する一般的な方法の1つである。 しかし、現在のアライメント法、特にプロトタイプベースまたはサンプルレベルベース法は、基礎となる分布の構造的特性を無視し、共変量シフトの条件を破る。 制限と矛盾を緩和するために、別の領域における等価なサンプルを表す(仮想)ミラーという新しい概念を導入する。 ミラー対と呼ばれる等価サンプル対は、経験分布の自然な対応を反映している。 次に、ミラー対のクロスドメインを整列するミラー損失を構築し、ドメインのアライメントを強化する。 提案手法は,基礎となる分布の内部構造を歪めない。 また, ミラー試料とミラー損失が, ドメインシフトの低減に優れた漸近特性を有することの理論的証明も提供する。 仮想ミラーとミラーロスを一般教師なしドメイン適応モデルに適用することにより、いくつかの主要なベンチマークにおいて一貫した優れた性能を実現した。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Cluster-Aware Similarity Diffusion for Instance Retrieval [64.40171728912702]
  拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。 本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-04T14:19:50Z)
• Invariant Anomaly Detection under Distribution Shifts: A Causal Perspective [6.845698872290768]
  異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。 分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。 我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
  論文  参考訳（メタデータ） (2023-12-21T23:20:47Z)
• Mitigating Both Covariate and Conditional Shift for Domain Generalization [14.91361835243516]
  ドメイン一般化(Domain Generalization、DG)は、複数のソースドメインのモデルを学習することを目的としており、モデルが未確認のターゲットドメインに適切に一般化できることを願っている。 本稿では,視覚的アライメントと不確実性誘導的信念アンサンブル(VAUE)による分布変化に対処する新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2022-09-17T05:13:56Z)
• A Particle-Based Algorithm for Distributional Optimization on \textit{Constrained Domains} via Variational Transport and Mirror Descent [4.835289158553091]
  本稿では,制約領域上の確率分布に対して,変分形式を認めて定義する目的関数を最小化する問題を考察する。 制約付き最適化のためのミラー降下アルゴリズムに着想を得て、ミラー変動輸送(mirrorVT)と呼ばれる反復的な粒子ベースアルゴリズムを提案する。 単純およびユークリッド球制約領域上の確率分布上の関数を最小化するための mirrorVT の有効性を実証する。
  論文  参考訳（メタデータ） (2022-08-01T03:25:01Z)
• Maximizing Conditional Independence for Unsupervised Domain Adaptation [9.533515002375545]
  本研究では,学習者をラベル付きソースドメインから,異なる分布を持つラベル付きターゲットドメインに転送する方法について検討する。 教師なしのドメイン適応に加えて、自然かつエレガントな方法でマルチソースシナリオにメソッドを拡張します。
  論文  参考訳（メタデータ） (2022-03-07T08:59:21Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Self-adaptive Re-weighted Adversarial Domain Adaptation [12.73753413032972]
  自己適応型再重み付き対向ドメイン適応手法を提案する。 条件分布の観点からドメインアライメントを強化する。 実証的な証拠は、提案されたモデルが標準的なドメイン適応データセットで芸術の状態を上回ります。
  論文  参考訳（メタデータ） (2020-05-30T08:35:18Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。