論文の概要: DAPPER: Performance Estimation of Domain Adaptation in Mobile Sensing
- arxiv url: http://arxiv.org/abs/2111.11053v1
- Date: Mon, 22 Nov 2021 08:49:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 16:57:31.815150
- Title: DAPPER: Performance Estimation of Domain Adaptation in Mobile Sensing
- Title(参考訳): DAPPER:モバイルセンシングにおけるドメイン適応の性能推定
- Authors: Taesik Gong, Yewon Kim, Adiba Orzikulova, Yunxin Liu, Sung Ju Hwang,
Jinwoo Shin, Sung-Ju Lee
- Abstract要約: DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。
DAPPERは, 4つのベースラインと比較して, 平均17%の精度でベースラインを上回り, 4つのベースラインを比較検討した。
- 参考スコア(独自算出の注目度): 79.06442387343785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many applications that utilize sensors in mobile devices and apply machine
learning to provide novel services have emerged. However, various factors such
as different users, devices, environments, and hyperparameters, affect the
performance for such applications, thus making the domain shift (i.e.,
distribution shift of a target user from the training source dataset) an
important problem. Although recent domain adaptation techniques attempt to
solve this problem, the complex interplay between the diverse factors often
limits their effectiveness. We argue that accurately estimating the performance
in untrained domains could significantly reduce performance uncertainty. We
present DAPPER (Domain AdaPtation Performance EstimatoR) that estimates the
adaptation performance in a target domain with only unlabeled target data. Our
intuition is that the outputs of a model on the target data provide clues for
the model's actual performance in the target domain. DAPPER does not require
expensive labeling costs nor involve additional training after deployment. Our
evaluation with four real-world sensing datasets compared against four
baselines shows that DAPPER outperforms the baselines by on average 17% in
estimation accuracy. Moreover, our on-device experiment shows that DAPPER
achieves up to 216X less computation overhead compared with the baselines.
- Abstract(参考訳): モバイルデバイスのセンサーを利用し、新しいサービスを提供する機械学習を適用する多くのアプリケーションが登場した。
しかし、異なるユーザ、デバイス、環境、ハイパーパラメータといったさまざまな要因がアプリケーションの性能に影響を与え、ドメインシフト(トレーニングソースデータセットからのターゲットユーザの分散シフト)が重要な問題となる。
最近のドメイン適応手法はこの問題を解決しようとするが、様々な要因の複雑な相互作用によってその効果が制限されることが多い。
訓練されていないドメインのパフォーマンスを正確に推定すれば、パフォーマンスの不確実性が大幅に低下する可能性がある。
対象領域における適応性能を推定するdapper(domain adaptation performance estimator)を提案する。
我々の直感は、ターゲットデータ上のモデルの出力が、ターゲット領域におけるモデルの実パフォーマンスの手がかりを提供するということです。
DAPPERは、高価なラベリングコストやデプロイ後の追加トレーニングを必要としない。
4つの実世界のセンシングデータセットによる評価を4つのベースラインと比較したところ,dapperは平均17%の精度でベースラインを上回っていることがわかった。
さらに、デバイス上での実験では、DAPPERはベースラインに比べて計算オーバーヘッドが最大で216倍少ないことが示されている。
関連論文リスト
- SPADES: A Realistic Spacecraft Pose Estimation Dataset using Event
Sensing [9.583223655096077]
実際のターゲットデータセットへのアクセスが限られているため、アルゴリズムはしばしば合成データを使用して訓練され、実際のドメインに適用される。
イベントセンシングは過去にも行われており、シミュレーションと実世界のシナリオの間のドメインギャップを減らすことが示されている。
制御された実験室で取得した実イベントデータと、同じカメラ内在性を用いてイベントデータをシミュレートした新しいデータセットSPADESを提案する。
論文 参考訳(メタデータ) (2023-11-09T12:14:47Z) - RelaMiX: Exploring Few-Shot Adaptation in Video-based Action Recognition [48.25320196587867]
ビデオベースアクティビティ認識(FSDA-AR)のためのFew-Shot Domain Adaptation
多様なドメインタイプを考慮した5つの確立されたデータセットを用いてFSDA-ARベンチマークを構築した。
本稿では,数少ないラベル付き対象ドメインサンプルを知識ガイダンスとして活用するための新しいアプローチであるRelaMiXを提案する。
論文 参考訳(メタデータ) (2023-05-15T08:01:05Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳(メタデータ) (2022-12-14T15:54:15Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - Unsupervised domain adaptation with non-stochastic missing data [0.6608945629704323]
対象領域に欠落するデータが存在する場合の分類問題に対する教師なし領域適応(UDA)について検討する。
命令はドメイン不変の潜在空間で実行され、完全なソースドメインからの間接的な監視を利用する。
データセットの適応、分類、計算を共同で行う利点を示す。
論文 参考訳(メタデータ) (2021-09-16T06:37:07Z) - VisDA-2021 Competition Universal Domain Adaptation to Improve
Performance on Out-of-Distribution Data [64.91713686654805]
Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。
我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。
厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
論文 参考訳(メタデータ) (2021-07-23T03:21:51Z) - Invariant Feature Learning for Sensor-based Human Activity Recognition [11.334750079923428]
被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。
実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
論文 参考訳(メタデータ) (2020-12-14T21:56:17Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7~13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳(メタデータ) (2020-12-04T23:06:56Z) - Sensor Data for Human Activity Recognition: Feature Representation and
Benchmarking [27.061240686613182]
HAR(Human Activity Recognition)の分野は、監視装置(センサなど)から取得したデータを取得し、分析することに焦点を当てている。
我々は、異なる機械学習(ML)技術を用いて、人間のアクティビティを正確に認識する問題に対処する。
論文 参考訳(メタデータ) (2020-05-15T00:46:55Z)
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。