論文の概要: Adaptive Methods for Aggregated Domain Generalization

• arxiv url: http://arxiv.org/abs/2112.04766v1
• Date: Thu, 9 Dec 2021 08:57:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 14:15:09.743332
• Title: Adaptive Methods for Aggregated Domain Generalization
• Title（参考訳）: 集約領域一般化のための適応的手法
• Authors: Xavier Thomas, Dhruv Mahajan, Alex Pentland, Abhimanyu Dubey
• Abstract要約: 多くの設定において、プライバシに関する懸念は、トレーニングデータサンプルのドメインラベルを取得することを禁止している。 本稿では,この問題に対するドメイン適応的アプローチを提案する。 提案手法は,ドメインラベルを使わずに,様々な領域一般化ベンチマークにおける最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 26.215904177457997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization involves learning a classifier from a heterogeneous collection of training sources such that it generalizes to data drawn from similar unknown target domains, with applications in large-scale learning and personalized inference. In many settings, privacy concerns prohibit obtaining domain labels for the training data samples, and instead only have an aggregated collection of training points. Existing approaches that utilize domain labels to create domain-invariant feature representations are inapplicable in this setting, requiring alternative approaches to learn generalizable classifiers. In this paper, we propose a domain-adaptive approach to this problem, which operates in two steps: (a) we cluster training data within a carefully chosen feature space to create pseudo-domains, and (b) using these pseudo-domains we learn a domain-adaptive classifier that makes predictions using information about both the input and the pseudo-domain it belongs to. Our approach achieves state-of-the-art performance on a variety of domain generalization benchmarks without using domain labels whatsoever. Furthermore, we provide novel theoretical guarantees on domain generalization using cluster information. Our approach is amenable to ensemble-based methods and provides substantial gains even on large-scale benchmark datasets. The code can be found at: https://github.com/xavierohan/AdaClust_DomainBed
• Abstract（参考訳）: ドメインの一般化は、訓練ソースの異種コレクションから分類器を学習し、類似の未知のターゲットドメインから引き出されたデータに一般化し、大規模学習やパーソナライズされた推論に応用する。 多くの設定において、プライバシの懸念はトレーニングデータサンプルのドメインラベルの取得を禁止し、代わりにトレーニングポイントの集合のみを保持する。 ドメインラベルを利用してドメイン不変な特徴表現を生成する既存のアプローチはこの設定では適用不可能であり、一般化可能な分類法を学ぶための代替アプローチが必要である。 本稿では,この問題に対するドメイン適応的アプローチを提案する。 a) 慎重に選択された機能領域内でトレーニングデータをクラスタ化して擬似ドメインを生成します。 b) 擬似ドメインを用いて、入力と擬似ドメインの両方に関する情報を用いて予測を行うドメイン適応型分類器を学習する。 提案手法は,ドメインラベルを使わずに,様々な領域一般化ベンチマークの最先端性能を実現する。 さらに,クラスタ情報を用いた領域一般化に関する新たな理論的保証を提供する。 我々のアプローチはアンサンブルベースの手法に適しており、大規模なベンチマークデータセットでもかなりの利益をもたらします。 コードは https://github.com/xavierohan/AdaClust_DomainBed で参照できる。

関連論文リスト

• Domain Generalization via Selective Consistency Regularization for Time Series Classification [16.338176636365752]
  ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。 本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-16T01:57:35Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Adaptive Methods for Real-World Domain Generalization [32.030688845421594]
  本研究では、未確認の試験サンプルからドメイン情報を活用できるかどうかを検討する。 a) 教師なしのトレーニング例から識別的ドメイン埋め込みを最初に学び、b) このドメイン埋め込みを補足的な情報として使ってドメイン適応モデルを構築する。 提案手法は,各種領域一般化ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-03-29T17:44:35Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Universal Domain Adaptation through Self Supervision [75.04598763659969]
  教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。 本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。 我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-02-19T01:26:11Z)

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。