Fugu-MT 論文翻訳(概要): Contrastive Vicinal Space for Unsupervised Domain Adaptation

論文の概要: Contrastive Vicinal Space for Unsupervised Domain Adaptation

arxiv url: http://arxiv.org/abs/2111.13353v1
Date: Fri, 26 Nov 2021 08:10:33 GMT
ステータス: 処理完了
システム内更新日: 2021-11-29 16:39:51.021421
Title: Contrastive Vicinal Space for Unsupervised Domain Adaptation
Title（参考訳）: 非教師なし領域適応のためのコントラストヴィクチン空間
Authors: Jaemin Na, Dongyoon Han, Hyung Jin Chang, Wonjun Hwang
Abstract要約: ビジナル空間における高不確実性事象のエントロピーを最小化するインスタンスワイズミニマックス戦略を提案する。本手法はPACSの最先端手法より優れている。
参考スコア（独自算出の注目度）: 20.161649640842782
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Utilizing vicinal space between the source and target domains is one of the recent unsupervised domain adaptation approaches. However, the problem of the equilibrium collapse of labels, where the source labels are dominant over the target labels in the predictions of vicinal instances, has never been addressed. In this paper, we propose an instance-wise minimax strategy that minimizes the entropy of high uncertainty instances in the vicinal space to tackle it. We divide the vicinal space into two subspaces through the solution of the minimax problem: contrastive space and consensus space. In the contrastive space, inter-domain discrepancy is mitigated by constraining instances to have contrastive views and labels, and the consensus space reduces the confusion between intra-domain categories. The effectiveness of our method is demonstrated on the public benchmarks, including Office-31, Office-Home, and VisDA-C, which achieve state-of-the-art performances. We further show that our method outperforms current state-of-the-art methods on PACS, which indicates our instance-wise approach works well for multi-source domain adaptation as well.
Abstract（参考訳）: ソースとターゲットドメイン間のビジナル空間を利用することは、最近の教師なしドメイン適応アプローチの1つである。しかし, ビジナルインスタンスの予測において, ソースラベルがターゲットラベルよりも支配的なラベルの平衡崩壊の問題は解決されていない。本稿では,ビクタナル空間における高不確実性インスタンスのエントロピーを最小限に抑えるためのインスタンスワイズミニマックス戦略を提案する。ビジナル空間をミニマックス問題の解(コントラッシブ空間とコンセンサス空間)によって2つの部分空間に分割する。コントラスト空間では、コンセンサス空間はドメイン内カテゴリ間の混乱を軽減し、コントラスト空間はコントラストビューとラベルを持つようにインスタンスを制約することでドメイン間不一致を緩和する。提案手法の有効性は,Office-31,Office-Home,VisDA-Cなど公開ベンチマークで実証された。さらに,本手法はPACSの最先端手法よりも優れており,この手法がマルチソースドメイン適応にも有効であることを示す。

関連論文リスト

centroIDA: Cross-Domain Class Discrepancy Minimization Based on Accumulative Class-Centroids for Imbalanced Domain Adaptation [17.97306640457707]
IDA(centroIDA)の累積クラスセントロイドに基づくドメイン間差分最小化手法を提案する。実験により,IDA問題,特にラベルシフトの程度が増大する中で,本手法が他のSOTA法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-21T10:35:32Z)
Deep Least Squares Alignment for Unsupervised Domain Adaptation [6.942003070153651]
教師なしのドメイン適応はラベル付きソースドメインからの豊富な情報を活用してラベルなしのターゲットドメインをモデル化する。線形モデルをパラメータ化することにより,2つの領域の潜在空間における分布を推定するために,最深部最小二乗アライメント(DLSA)を提案する。拡張実験により,提案したDLSAモデルは領域分布の整合に有効であり,最先端の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） (2021-11-03T13:23:06Z)
CLDA: Contrastive Learning for Semi-Supervised Domain Adaptation [1.2691047660244335]
Unsupervised Domain Adaptation (UDA) は、ラベル付きソース分布とラベル付きターゲット分布との整合を目標とし、ドメイン不変な予測モデルを得る。半教師付きドメイン適応(CLDA)のためのコントラスト学習フレームワークを提案する。 CLDAは上記のすべてのデータセットに対して最先端の結果を達成する。
論文参考訳（メタデータ） (2021-06-30T20:23:19Z)
Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文参考訳（メタデータ） (2021-03-15T15:23:10Z)
Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation [55.73722120043086]
部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
論文参考訳（メタデータ） (2020-12-06T19:29:32Z)
Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文参考訳（メタデータ） (2020-12-04T14:28:19Z)
Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文参考訳（メタデータ） (2020-08-26T03:18:53Z)
Discrepancy Minimization in Domain Generalization with Generative Nearest Neighbors [13.047289562445242]
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
論文参考訳（メタデータ） (2020-07-28T14:54:25Z)
Implicit Class-Conditioned Domain Alignment for Unsupervised Domain Adaptation [18.90240379173491]
クラス条件付きドメインアライメントの現在の方法は、対象ドメインの擬ラベル推定に基づいて損失関数を明示的に最小化することを目的としている。擬似ラベルから直接モデルパラメータの明示的な最適化の必要性を除去する手法を提案する。サンプル選択手順を擬似ラベルで暗黙的にガイドするサンプリングベース暗黙アライメント手法を提案する。
論文参考訳（メタデータ） (2020-06-09T00:20:21Z)
Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
論文参考訳（メタデータ） (2020-03-18T04:43:25Z)
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。