論文の概要: Exploiting Domain-Specific Features to Enhance Domain Generalization

• arxiv url: http://arxiv.org/abs/2110.09410v1
• Date: Mon, 18 Oct 2021 15:42:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 17:47:42.108956
• Title: Exploiting Domain-Specific Features to Enhance Domain Generalization
• Title（参考訳）: ドメインの一般化を促進するためのドメイン特長の爆発
• Authors: Manh-Ha Bui, Toan Tran, Anh Tuan Tran, Dinh Phung
• Abstract要約: ドメイン一般化(Domain Generalization, DG)は、観測されていないターゲットドメインで正常に動作するために、複数の観測されたソースドメインからモデルをトレーニングすることを目的としている。 以前のDGアプローチでは、ターゲットドメインを一般化するために、ソース間でのドメイン不変情報を抽出することに重点を置いていた。 本稿ではメタドメイン固有ドメイン不変量(mD)を提案する。
• 参考スコア（独自算出の注目度）: 10.774902700296249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Generalization (DG) aims to train a model, from multiple observed source domains, in order to perform well on unseen target domains. To obtain the generalization capability, prior DG approaches have focused on extracting domain-invariant information across sources to generalize on target domains, while useful domain-specific information which strongly correlates with labels in individual domains and the generalization to target domains is usually ignored. In this paper, we propose meta-Domain Specific-Domain Invariant (mDSDI) - a novel theoretically sound framework that extends beyond the invariance view to further capture the usefulness of domain-specific information. Our key insight is to disentangle features in the latent space while jointly learning both domain-invariant and domain-specific features in a unified framework. The domain-specific representation is optimized through the meta-learning framework to adapt from source domains, targeting a robust generalization on unseen domains. We empirically show that mDSDI provides competitive results with state-of-the-art techniques in DG. A further ablation study with our generated dataset, Background-Colored-MNIST, confirms the hypothesis that domain-specific is essential, leading to better results when compared with only using domain-invariant.
• Abstract（参考訳）: ドメイン一般化(dg:domain generalization)とは、複数の観測されたソースドメインからモデルをトレーニングすることを目的としている。 一般化能力を得るために、従来のDGアプローチでは、ソース間でのドメイン不変情報を抽出して対象ドメインを一般化することに重点を置いているが、個々のドメインのラベルと強く相関する有用なドメイン固有情報は通常無視される。 本稿では,メタドメイン固有ドメイン不変量(メタドメイン固有ドメイン不変量)(mDSDI)を提案する。 私たちの重要な洞察は、統一フレームワークでドメイン不変機能とドメイン固有機能の両方を共同学習しながら、潜在空間の機能を分離することです。 ドメイン固有の表現は、ソースドメインから適応するためにメタ学習フレームワークによって最適化され、見えないドメインの堅牢な一般化を目標としている。 我々は,mDSDIがDGの最先端技術と競合する結果をもたらすことを実証的に示す。 生成したデータセットである background-Colored-MNIST によるさらなるアブレーション研究により、ドメイン固有性は必須であるという仮説が確定し、ドメイン不変性のみを使用する場合と比較してより良い結果が得られた。

関連論文リスト

• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• MetaDefa: Meta-learning based on Domain Enhancement and Feature Alignment for Single Domain Generalization [12.095382249996032]
  モデル一般化性能を改善するために,ドメイン拡張と特徴アライメント(MetaDefa)に基づくメタラーニング手法を提案する。 本稿では、ソース領域と拡張領域の機能空間間の類似のターゲット領域に着目し、ドメイン不変性について検討する。 公開された2つのデータセットに対する大規模な実験により、MetaDefaは未知の複数のターゲットドメインにおいて、大きな一般化パフォーマンスのアドバンテージを持つことが示された。
  論文  参考訳（メタデータ） (2023-11-27T15:13:02Z)
• Domain Generalization for Domain-Linked Classes [8.738092015092207]
  実世界では、クラスはドメインリンクされ、すなわち特定のドメインでのみ表現される。 本稿では,ドメインリンクDG,FONDのためのFair and cONtrastive feature-space regularizationアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-01T16:39:50Z)
• Aggregation of Disentanglement: Reconsidering Domain Variations in Domain Generalization [9.577254317971933]
  ドメイン変種には、下流のタスクに有用な情報、すなわち分類対応情報も含まれている、と我々は主張する。 本稿では,ドメインエキスパートの特徴をソース・ドメイン・イメージから切り離すために,DDN(Domain Disentanglement Network)と呼ばれる新しいパラダイムを提案する。 また、ドメインの専門家がよりバランスよく分離可能な機能空間を形成するための、新しい対照的な学習方法を提案します。
  論文  参考訳（メタデータ） (2023-02-05T09:48:57Z)
• Adaptive Mixture of Experts Learning for Generalizable Face Anti-Spoofing [37.75738807247752]
  ドメイン一般化(DG)に基づく反偽造防止アプローチが注目されている。 既存のDGベースのFASアプローチは、様々な目に見えない領域を一般化するために、ドメイン不変の特徴を常に捉えている。 このフレームワークは、ドメイン固有の情報を利用して、目に見えないソースドメインと未知のターゲットドメイン間のリンクを適応的に確立する。
  論文  参考訳（メタデータ） (2022-07-20T13:02:51Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Adaptive Domain-Specific Normalization for Generalizable Person Re-Identification [81.30327016286009]
  一般化可能なRe-IDのための適応型ドメイン固有正規化手法(AdsNorm)を提案する。 本研究では,一般化可能人物 Re-ID に対する適応領域特異的正規化手法 (AdsNorm) を提案する。
  論文  参考訳（メタデータ） (2021-05-07T02:54:55Z)
• Open Domain Generalization with Domain-Augmented Meta-Learning [83.59952915761141]
  オープンドメイン一般化(OpenDG)の新しい実践的問題について研究する。 本稿では,オープンドメイン一般化表現を学ぶためのメタ学習フレームワークを提案する。 種々のマルチドメインデータセットの実験結果から、提案したドメイン拡張メタラーニング(DAML)が、未確認ドメイン認識の先行手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-08T09:12:24Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)

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。