論文の概要: Unsupervised Domain Adaptation: A Reality Check
- arxiv url: http://arxiv.org/abs/2111.15672v1
- Date: Tue, 30 Nov 2021 18:59:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 15:58:17.205816
- Title: Unsupervised Domain Adaptation: A Reality Check
- Title（参考訳）: 教師なしドメイン適応:現実チェック
- Authors: Kevin Musgrave, Serge Belongie, Ser-Nam Lim
- Abstract要約: 大規模実験により,UDAアルゴリズムの精度の差が従来考えられていたよりも小さいことを示す。
バリデーションメソッドが任意のUDAトレイン/バルパイプラインの重要なコンポーネントであるという事実にもかかわらず、これは事実です。
- 参考スコア（独自算出の注目度）: 23.79809492395849
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interest in unsupervised domain adaptation (UDA) has surged in recent years,
resulting in a plethora of new algorithms. However, as is often the case in
fast-moving fields, baseline algorithms are not tested to the extent that they
should be. Furthermore, little attention has been paid to validation methods,
i.e. the methods for estimating the accuracy of a model in the absence of
target domain labels. This is despite the fact that validation methods are a
crucial component of any UDA train/val pipeline. In this paper, we show via
large-scale experimentation that 1) in the oracle setting, the difference in
accuracy between UDA algorithms is smaller than previously thought, 2)
state-of-the-art validation methods are not well-correlated with accuracy, and
3) differences between UDA algorithms are dwarfed by the drop in accuracy
caused by validation methods.
- Abstract（参考訳）: 教師なしドメイン適応(UDA)への関心は近年急増しており、多くの新しいアルゴリズムが生まれている。
しかし、高速に動くフィールドの場合と同様に、ベースラインアルゴリズムはテストされるべき範囲までテストされない。
さらに,対象ドメインラベルが存在しない場合のモデルの精度を推定する手法として,検証手法にはほとんど注意が払われていない。
これは、バリデーションメソッドがuda train/valパイプラインの重要なコンポーネントであるという事実にもかかわらずです。
本稿では,大規模実験を通して述べる。
1) オラクル設定では, UDAアルゴリズムの精度の差は従来考えられていたよりも小さい。
2) 最先端検証手法は精度にはあまり関係がなく,
3) 検証手法による精度低下により, UDAアルゴリズムの差は小さくなる。
関連論文リスト
- Unsupervised Domain Adaptation Via Data Pruning [0.0]
非教師なし領域適応(UDA)の観点から問題を考える。
本稿では,UDAのトレーニング例を取り除き,トレーニング分布を対象データと整合させる手法であるAdaPruneを提案する。
UDAの手法として、AdaPruneは関連する技術より優れており、CoRALなどの他のUDAアルゴリズムと相補的であることを示す。
論文 参考訳（メタデータ） (2024-09-18T15:48:59Z) - Better Practices for Domain Adaptation [62.70267990659201]
ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。
DAの明確な検証プロトコルは、文献の悪い実践につながっている。
ドメイン適応手法の3つの分野にまたがる課題を示す。
論文 参考訳（メタデータ） (2023-09-07T17:44:18Z) - OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。
この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。
関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文 参考訳（メタデータ） (2022-10-13T17:59:57Z) - Interpolation-based Contrastive Learning for Few-Label Semi-Supervised
Learning [43.51182049644767]
半教師付き学習(SSL)は,ラベルが限定された強力なモデルを構築する上で,有効な手法であることが長年証明されてきた。
摂動サンプルを元のものと類似した予測を強制する正規化に基づく手法が注目されている。
本稿では,学習ネットワークの埋め込みを誘導し,サンプル間の線形変化を誘導する新たな対照的な損失を提案する。
論文 参考訳（メタデータ） (2022-02-24T06:00:05Z) - E-ADDA: Unsupervised Adversarial Domain Adaptation Enhanced by a New
Mahalanobis Distance Loss for Smart Computing [25.510639595356597]
スマートコンピューティングでは、特定のタスクのためのトレーニングサンプルのラベルが常に豊富であるとは限らない。
本稿では,Mahalanobis 距離損失の新たなバリエーションと分布外検出サブルーチンを併用した新しい UDA アルゴリズム TextitE-ADDA を提案する。
音響モードでは、E-ADDAはf1スコアで測定されたいくつかの最先端のUDAアルゴリズムを最大29.8%上回っている。
コンピュータビジョンのモダリティにおいて、評価結果は、人気UDAにおける新しい最先端性能を実現することを示唆している。
論文 参考訳（メタデータ） (2022-01-24T23:20:55Z) - Tune it the Right Way: Unsupervised Validation of Domain Adaptation via
Soft Neighborhood Density [125.64297244986552]
本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。
私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
論文 参考訳（メタデータ） (2021-08-24T17:41:45Z) - Understanding the Limits of Unsupervised Domain Adaptation via Data
Poisoning [66.80663779176979]
教師なしドメイン適応(UDA)は、対象ドメインラベルなしでドメイン間の学習を可能にする。
本稿では,ソース領域誤りの最小化と,ターゲット領域誤りの低減を保証するための限界分布ミスマッチの有効性を示す。
そこで本研究では,UDA手法を誤用した新たなデータ中毒攻撃手法を提案する。
論文 参考訳（メタデータ） (2021-07-08T15:51:14Z) - Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。
本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。
検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
論文 参考訳（メタデータ） (2021-06-02T05:21:25Z) - Unsupervised Data Augmentation with Naive Augmentation and without
Unlabeled Data [40.82826366059613]
Unsupervised Data Augmentation (UDA) は、モデルの予測の違いを解析するために一貫性損失を適用する半教師付き手法である。
本稿では,UDAを再検討し,その有効性を示す。
一貫性の喪失を適用することで、ラベルのないデータなしで有意義な利益が得られることが分かりました。
論文 参考訳（メタデータ） (2020-10-22T18:01:51Z) - Rethinking Distributional Matching Based Domain Adaptation [111.15106414932413]
ドメイン適応(DA)は、ラベル付きソースドメインでトレーニングされた予測モデルをラベル付きターゲットドメインに転送するテクニックである。
最も一般的なDAアルゴリズムは、分散マッチング(DM)に基づいている。
本稿では,まずDMに基づく手法の限界を体系的に分析し,さらに現実的なドメインシフトを持つ新しいベンチマークを構築する。
論文 参考訳（メタデータ） (2020-06-23T21:55:14Z)
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。