論文の概要: Burn After Reading: Online Adaptation for Cross-domain Streaming Data

• arxiv url: http://arxiv.org/abs/2112.04345v1
• Date: Wed, 8 Dec 2021 15:52:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 14:33:02.701329
• Title: Burn After Reading: Online Adaptation for Cross-domain Streaming Data
• Title（参考訳）: Burn After Reading: クロスドメインストリーミングデータに対するオンライン適応
• Authors: Luyu Yang, Mingfei Gao, Zeyuan Chen, Ran Xu, Abhinav Shrivastava, Chetan Ramaiah
• Abstract要約: 本稿では,「読み終わった後に焼く」オンラインフレームワークを提案する。 また、教師なしドメイン適応の問題として、ラベル付き公開データとラベルなしプライベートデータとの間の必然的な分散シフトに取り組む。
• 参考スコア（独自算出の注目度）: 24.29662395513182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of online privacy, many methods propose complex privacy and security preserving measures to protect sensitive data. In this paper, we argue that: not storing any sensitive data is the best form of security. Thus we propose an online framework that "burns after reading", i.e. each online sample is immediately deleted after it is processed. Meanwhile, we tackle the inevitable distribution shift between the labeled public data and unlabeled private data as a problem of unsupervised domain adaptation. Specifically, we propose a novel algorithm that aims at the most fundamental challenge of the online adaptation setting--the lack of diverse source-target data pairs. Therefore, we design a Cross-Domain Bootstrapping approach, called CroDoBo, to increase the combined diversity across domains. Further, to fully exploit the valuable discrepancies among the diverse combinations, we employ the training strategy of multiple learners with co-supervision. CroDoBo achieves state-of-the-art online performance on four domain adaptation benchmarks.
• Abstract（参考訳）: オンラインプライバシの文脈では、多くの手法が機密データを保護するための複雑なプライバシとセキュリティ保護策を提案している。 本稿では、機密データを保管しないことがセキュリティの最良の方法である、と論じる。 そこで本稿では, 各オンラインサンプルを処理後, 即時削除する「読み終わった後に焼く」オンラインフレームワークを提案する。 一方,ラベル付きパブリックデータとラベル付きプライベートデータとの不可避な分散シフトを,教師なしドメイン適応の問題として取り組む。 具体的には,オンライン適応設定の最も基本的な課題である多種多様なデータペアの欠如を目的とした新しいアルゴリズムを提案する。 そこで我々はCroDoBoと呼ばれるクロスドメインブートストラッピングアプローチを設計し、ドメイン間の複合的な多様性を高める。 さらに,多様な組み合わせの相違点を十分に活用するために,複数の学習者の学習戦略を協調的に活用する。 CroDoBoは、4つのドメイン適応ベンチマークで最先端のオンラインパフォーマンスを達成する。

関連論文リスト

• Privacy Preserving Federated Unsupervised Domain Adaptation with Application to Age Prediction from DNA Methylation Data [2.699900017799093]
  高次元設定における教師なしドメイン適応のためのプライバシ保護フレームワークを提案する。 我々のフレームワークは、フェデレートされた環境における高次元ドメイン適応のための最初のプライバシ保護ソリューションである。
  論文  参考訳（メタデータ） (2024-11-26T10:19:16Z)
• Reducing Source-Private Bias in Extreme Universal Domain Adaptation [11.875619863954238]
  Universal Domain Adaptation (UniDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。 我々は、ソースドメインが重複するクラスよりもはるかに重複しないクラスを持つ場合、最先端のメソッドが苦労していることを示す。 対象データの構造を保存するために,自己教師付き学習を提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:51:37Z)
• Investigating Privacy Attacks in the Gray-Box Setting to Enhance Collaborative Learning Schemes [7.651569149118461]
  我々は、攻撃者がモデルに限られたアクセスしかできないグレーボックス設定でプライバシ攻撃を研究する。 SmartNNCryptは、同型暗号化を調整して、より高いプライバシーリスクを示すモデルの部分を保護するフレームワークです。
  論文  参考訳（メタデータ） (2024-09-25T18:49:21Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• Locally Differentially Private Distributed Online Learning with Guaranteed Optimality [1.800614371653704]
  本稿では,分散オンライン学習における差分プライバシーと学習精度を両立させる手法を提案する。 予想される即時後悔の減少を確実にする一方で、このアプローチは有限累積プライバシー予算を同時に確保することができる。 私たちの知る限りでは、このアルゴリズムは厳密な局所的な差分プライバシーと学習精度の両方を確実にする最初のアルゴリズムです。
  論文  参考訳（メタデータ） (2023-06-25T02:05:34Z)
• MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation [71.4942277262067]
  本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。 我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
  論文  参考訳（メタデータ） (2022-07-25T17:55:28Z)
• Collaborative Semantic Aggregation and Calibration for Federated Domain Generalization [28.573872986524794]
  DGは、未知のターゲットドメインに適切に一般化できるモデルとして、複数の既知のソースドメインから学習することを目的としている。 本稿では、ソースデータセットをローカルにしかアクセスできないフェデレーションドメイン一般化の問題に取り組む。 データフリーなセマンティックアグリゲーションは、分離されたドメイン層でトレーニングされたモデルを層ごとに融合することで実現します。
  論文  参考訳（メタデータ） (2021-10-13T14:08:29Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、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） (2021-08-28T09:29:14Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)

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。