論文の概要: FRuDA: Framework for Distributed Adversarial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2112.13381v1
• Date: Sun, 26 Dec 2021 13:58:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-29 04:45:14.752382
• Title: FRuDA: Framework for Distributed Adversarial Domain Adaptation
• Title（参考訳）: FRuDA:分散 Adversarial Domain Adaptation フレームワーク
• Authors: Shaoduo Gan, Akhil Mathur, Anton Isopoussu, Fahim Kawsar, Nadia Berthouze, Nicholas Lane
• Abstract要約: 教師なしのドメイン適応(uDA)はラベル豊富なソースドメインからラベルなしのターゲットドメインへのモデルを適応するのに役立ちます。 分散敵uDAのためのエンドツーエンドフレームワークであるFRuDAを紹介する。 FRuDAは目標領域の精度を最大50%向上させ,少なくとも11倍の訓練効率を向上できることを示す。
• 参考スコア（独自算出の注目度）: 15.054387071537567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breakthroughs in unsupervised domain adaptation (uDA) can help in adapting models from a label-rich source domain to unlabeled target domains. Despite these advancements, there is a lack of research on how uDA algorithms, particularly those based on adversarial learning, can work in distributed settings. In real-world applications, target domains are often distributed across thousands of devices, and existing adversarial uDA algorithms -- which are centralized in nature -- cannot be applied in these settings. To solve this important problem, we introduce FRuDA: an end-to-end framework for distributed adversarial uDA. Through a careful analysis of the uDA literature, we identify the design goals for a distributed uDA system and propose two novel algorithms to increase adaptation accuracy and training efficiency of adversarial uDA in distributed settings. Our evaluation of FRuDA with five image and speech datasets show that it can boost target domain accuracy by up to 50% and improve the training efficiency of adversarial uDA by at least 11 times.
• Abstract（参考訳）: 教師なしドメイン適応(uDA)のブレークスルーは、ラベル豊富なソースドメインからラベルなしターゲットドメインへのモデル適応に役立つ。 これらの進歩にもかかわらず、uDAアルゴリズム、特に敵対的学習に基づくアルゴリズムが分散環境でどのように機能するかは研究されていない。 現実世界のアプリケーションでは、ターゲットとなるドメインは何千ものデバイスに分散されることが多い。 この重要な問題を解決するために、分散敵uDAのためのエンドツーエンドフレームワークであるFRuDAを紹介する。 uDAの文献を慎重に分析することにより,分散uDAシステムの設計目標を特定し,分散環境での逆uDAの適応精度とトレーニング効率を向上させるための2つの新しいアルゴリズムを提案する。 5つの画像・音声データセットを用いたFRuDAの評価により,対象領域の精度を最大50%向上し,少なくとも11倍の訓練効率を向上できることが示された。

関連論文リスト

• Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
  Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。 SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。 利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:49:29Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• AVATAR: Adversarial self-superVised domain Adaptation network for TARget domain [11.764601181046496]
  本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。 本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。 提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-04-28T20:31:56Z)
• Learning Feature Decomposition for Domain Adaptive Monocular Depth Estimation [51.15061013818216]
  改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。 教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。 本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
  論文  参考訳（メタデータ） (2022-07-30T08:05:35Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• 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)
• Dynamic Domain Adaptation for Efficient Inference [12.713628738434881]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベルなしターゲットドメインへの知識転送を可能にする。 以前のdaアプローチのほとんどは、適応能力を改善するために複雑で強力なディープニューラルネットワークを活用する。 低リソースシナリオにおいて効率的なターゲット推論を同時に実現できる動的ドメイン適応(DDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-26T08:53:16Z)
• 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)
• Robustified Domain Adaptation [13.14535125302501]
  非教師付きドメイン適応(Unsupervised domain adapt, UDA)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への知識伝達に広く使用される。 UDAにおける避けられないドメイン分布の偏りは、ターゲットドメインの堅牢性をモデル化するための重要な障壁である。 頑健な UDA モデルをトレーニングするための新しいクラス一貫性のないunsupervised Domain Adaptation (CURDA) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T22:21:54Z)

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。