論文の概要: Positive-Unlabeled Domain Adaptation

• arxiv url: http://arxiv.org/abs/2202.05695v1
• Date: Fri, 11 Feb 2022 15:32:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 21:04:54.567968
• Title: Positive-Unlabeled Domain Adaptation
• Title（参考訳）: 正のラベルのないドメイン適応
• Authors: Jonas Sonntag, Gunnar Behrens, Lars Schmidt-Thieme
• Abstract要約: ポジティブ・アンラベル・ドメイン適応問題に対する2段階の新たな学習手法を提案する。 我々は、ソースドメインラベルと正の未ラベルリスク推定器によって導かれる対象ドメインの信頼度の高い正と負の擬似ラベルを同定する。 我々は、ビジュアルオブジェクト認識のためのベンチマークデータセットで実験を行うことで、我々のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 7.143879014059893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain Adaptation methodologies have shown to effectively generalize from a labeled source domain to a label scarce target domain. Previous research has either focused on unlabeled domain adaptation without any target supervision or semi-supervised domain adaptation with few labeled target examples per class. On the other hand Positive-Unlabeled (PU-) Learning has attracted increasing interest in the weakly supervised learning literature since in quite some real world applications positive labels are much easier to obtain than negative ones. In this work we are the first to introduce the challenge of Positive-Unlabeled Domain Adaptation where we aim to generalise from a fully labeled source domain to a target domain where only positive and unlabeled data is available. We present a novel two-step learning approach to this problem by firstly identifying reliable positive and negative pseudo-labels in the target domain guided by source domain labels and a positive-unlabeled risk estimator. This enables us to use a standard classifier on the target domain in a second step. We validate our approach by running experiments on benchmark datasets for visual object recognition. Furthermore we propose real world examples for our setting and validate our superior performance on parking occupancy data.
• Abstract（参考訳）: ドメイン適応手法は、ラベル付きソースドメインからラベル不足ターゲットドメインへ効果的に一般化することが示されている。 これまでの研究は、対象とする監視のないラベル付きドメイン適応か、クラス毎にラベル付きターゲット例が少ない半教師付きドメイン適応に重点を置いてきた。 一方,Positive-Unlabeled (PU-) Learning (PU-) Learningは,否定的よりも肯定的なラベルの取得がはるかに容易であるため,弱教師付き学習文学への関心が高まっている。 本研究では,完全ラベル付きソースドメインから対象ドメインへの一般化を目標とし,正ラベルと無ラベルのデータのみを利用可能とする,正ラベル付きドメイン適応の課題を最初に紹介する。 本稿では,この課題に対する新たな2段階学習手法を提案する。まず,ソースドメインラベルと正ラベルリスク推定器によって誘導されるターゲットドメイン内の信頼性の高い正と負の擬似ラベルを同定する。 これにより、ターゲットドメインの標準分類器を第2ステップで使用することができます。 視覚オブジェクト認識のためのベンチマークデータセットで実験を行うことで、我々のアプローチを検証する。 さらに, パーキング占有データにおいて, 優れた性能を示す実例を提案し, 検証を行った。

関連論文リスト

• Combating Label Distribution Shift for Active Domain Adaptation [16.270897459117755]
  我々は、未ラベルのターゲットデータに対するアクティブドメイン適応(ADA)の問題を考える。 ドメイン適応におけるソースとターゲット間のラベル分布ミスマッチから重要な問題に対する最近の分析から着想を得て,ADAで初めてこの問題に対処する手法を考案した。
  論文  参考訳（メタデータ） (2022-08-13T09:06:45Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• CA-UDA: Class-Aware Unsupervised Domain Adaptation with Optimal Assignment and Pseudo-Label Refinement [84.10513481953583]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ターゲットデータに欠けているラベルのサロゲートとして、優れた擬似ラベルの選択に焦点を当てる。 ソースとターゲットドメインの共有ネットワークが通常、擬似ラベルの選択に使用されるため、擬似ラベルを劣化させるソースドメインバイアスは依然として存在する。 本稿では, 擬似ラベルの品質向上のためのCA-UDAを提案し, 最適課題, 擬似ラベル改善戦略, クラス対応ドメインアライメントを提案する。
  論文  参考訳（メタデータ） (2022-05-26T18:45:04Z)
• Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
  モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応セマンティックセマンティックセマンティックセマンティクスについて検討する。 本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。 私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
  論文  参考訳（メタデータ） (2021-10-13T04:12:27Z)
• 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)
• 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)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)
• A simple baseline for domain adaptation using rotation prediction [17.539027866457673]
  目標は、あるドメインでトレーニングされたモデルを、注釈付きデータが少ない別のドメインに適応させることだ。 本稿では,自己教師付き学習に基づく簡易かつ効果的な手法を提案する。 提案手法は,DomainNetデータセット上での半教師付きドメイン適応における最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2019-12-26T17:32:04Z)

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。