論文の概要: Deep Optimal Transport on SPD Manifolds for Domain Adaptation
- arxiv url: http://arxiv.org/abs/2201.05745v1
- Date: Sat, 15 Jan 2022 03:13:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 14:18:51.632965
- Title: Deep Optimal Transport on SPD Manifolds for Domain Adaptation
- Title(参考訳): ドメイン適応のためのSPDマニフォールドの深部輸送
- Authors: Ce Ju and Cuntai Guan
- Abstract要約: 本稿では,結合分布適応(JDA)を一般化し,SPD多様体上のソース領域とターゲット領域を整列させる。
また、一般化されたJDAと既存のディープネットワークアーキテクチャを使用したディープネットワークアーキテクチャ、Deep Optimal Transport (DOT)を提案する。
実験では、DOTは2つの非常に非定常なクロスセッションシナリオにおいて平均精度に対して2.32%と2.92%の増加を示す。
- 参考スコア(独自算出の注目度): 14.95694356964053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The domain adaption (DA) problem on symmetric positive definite (SPD)
manifolds has raised interest in the machine learning community because of the
growing potential for the SPD-matrix representations across many non-stationary
applicable scenarios. This paper generalizes the joint distribution adaption
(JDA) to align the source and target domains on SPD manifolds and proposes a
deep network architecture, Deep Optimal Transport (DOT), using the generalized
JDA and the existing deep network architectures on SPD manifolds. The specific
architecture in DOT enables it to learn an approximate optimal transport (OT)
solution to the DA problems on SPD manifolds. In the experiments, DOT exhibits
a 2.32% and 2.92% increase on the average accuracy in two highly non-stationary
cross-session scenarios in brain-computer interfaces (BCIs), respectively. The
visualizational results of the source and target domains before and after the
transformation also demonstrate the validity of DOT.
- Abstract(参考訳): 対称正定値(SPD)多様体上のドメイン適応(DA)問題は、多くの非定常的シナリオにおけるSPD行列表現の可能性の増大により、機械学習コミュニティへの関心が高まっている。
本稿では,SPD多様体上のソースドメインとターゲットドメインを整合させるJDAを一般化し,一般化されたJDAと既存のSPD多様体上のディープネットワークアーキテクチャを用いて,ディープネットワークアーキテクチャ,Deep Optimal Transport(DOT)を提案する。
DOTの特定のアーキテクチャにより、SPD多様体上のDA問題に対する近似最適輸送(OT)解を学習することができる。
実験では、DOTは脳-コンピュータインタフェース(BCI)における2つの高い非定常的クロスセッションシナリオにおいて平均精度に対して2.32%と2.92%の増加を示した。
変換前後のソースドメインとターゲットドメインの可視化結果もまた、DOTの有効性を示している。
関連論文リスト
- Weakly supervised covariance matrices alignment through Stiefel matrices
estimation for MEG applications [64.20396555814513]
本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。
我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。
MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
論文 参考訳(メタデータ) (2024-01-24T19:04:49Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳(メタデータ) (2023-07-27T08:58:05Z) - mSPD-NN: A Geometrically Aware Neural Framework for Biomarker Discovery
from Functional Connectomics Manifolds [8.37609145576126]
本稿では,コネクトーム,すなわちmSPD-NNのための幾何学的認識型ニューラルネットワークフレームワークを提案する。
我々は,SPD平均推定のための一般的な選択肢に対するmSPD-NNの有効性を実証した。
ADHD-ASD併用性および健常者におけるネットワークの微妙な差異に関連する安定なバイオマーカーを明らかにする。
論文 参考訳(メタデータ) (2023-03-27T08:30:11Z) - Fusion of Physiological and Behavioural Signals on SPD Manifolds with
Application to Stress and Pain Detection [1.9844265130823329]
マルチモーダルストレス/ペイン認識アプローチは、一般的に異なるモーダルから特徴を独立して抽出する。
本稿では,Symmetric Positive Definite (SPD) 行列を用いたマルチモーダル応力/塗料検出のための新しい幾何学的枠組みを提案する。
論文 参考訳(メタデータ) (2022-07-17T16:54:24Z) - SPD domain-specific batch normalization to crack interpretable
unsupervised domain adaptation in EEG [25.642435946325925]
現在のEEG技術は、高価な教師付き再校正なしでは、ドメイン間でうまく一般化しない。
SPDドメイン固有の運動量バッチ正規化(SPDDSMBN)を示す幾何学的深層学習のための新しいビルディングブロックを提案する。
SPDDSMBNレイヤはドメイン固有のSPD入力をドメイン不変のSPD出力に変換することができ、マルチソース/ターゲットおよびオンラインUDAシナリオに容易に適用できる。
論文 参考訳(メタデータ) (2022-06-02T22:31:36Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳(メタデータ) (2022-02-10T06:23:56Z) - A coarse space acceleration of deep-DDM [0.0]
我々は最近提案されたPDEの解法に対するディープ・ダム・アプローチの拡張について述べる。
粗い空間補正は、解法の収束の劣化を軽減することができることを示す。
実験により,本手法は深部ddm法の顕著な加速を誘導することが示された。
論文 参考訳(メタデータ) (2021-12-07T14:41:28Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳(メタデータ) (2021-06-15T17:45:51Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳(メタデータ) (2020-08-27T00:53:43Z) - Few-shot Domain Adaptation by Causal Mechanism Transfer [107.08605582020866]
我々は,少数のラベル付き対象ドメインデータと多数のラベル付きソースドメインデータしか利用できないレグレッション問題に対して,数ショットの教師付きドメイン適応(DA)について検討する。
現在のDA法の多くは、パラメータ化された分布シフトまたは明らかな分布類似性に基づく転送仮定に基づいている。
本稿では,データ生成機構がドメイン間で不変であるメタ分散シナリオであるメカニズム転送を提案する。
論文 参考訳(メタデータ) (2020-02-10T02:16:53Z)
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。