論文の概要: Towards All-Purpose Domain Adaptation Under Confounding
- arxiv url: http://arxiv.org/abs/2203.12720v1
- Date: Wed, 23 Mar 2022 20:53:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-25 13:00:02.319195
- Title: Towards All-Purpose Domain Adaptation Under Confounding
- Title(参考訳): コンファウンディングによる全目的領域適応に向けて
- Authors: Calvin McCarter
- Abstract要約: 我々は、この問題に対処し始めるために、仮定、共起シフトを提案する。
我々のアプローチは、様々な合成および実際のデータセットに有利であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Current domain adaptation methods address the problems of covariate shift or
label shift, but are not applicable to the setting where they occur
simultaneously and interact with each other. In this paper, we propose an
assumption, confounded shift, to begin to address this problem. We also propose
a framework for this task, based on minimizing the expected divergence between
the source and target conditional distributions. Within this framework, we
propose using the reverse KL divergence, demonstrating the use of both
parametric linear Gaussian and nonparametric nonlinear Gaussian Process
estimators of the conditional distribution. We also propose using the Maximum
Mean Discrepancy (MMD) within our framework. To make confounded domain
adaptation with the MMD effective, we propose an intelligent dynamic strategy
for choosing the kernel bandwidth, which may be of independent interest even
outside of the confounded shift context. Finally, we show that our approach is
advantageous on a variety of synthetic and real datasets.
- Abstract(参考訳): 現在のドメイン適応法は共変量シフトやラベルシフトの問題に対処するが、それらが同時に発生し互いに相互作用する設定には適用されない。
本稿では,この問題に取り組み始めるために,シフトを結合した仮定を提案する。
また、ソースとターゲット条件分布の相違を最小限に抑えることに基づく、このタスクのためのフレームワークを提案する。
本枠組みでは, 逆KL分散法を用いて, パラメトリック線形ガウス法と非パラメトリック非線形ガウス法の両方を用いて条件分布を推定する手法を提案する。
また,フレームワーク内での最大平均離散性(MMD)についても提案する。
本稿では,MMDによるドメイン適応を効果的に実現するために,カーネル帯域幅を選択するためのインテリジェントな動的戦略を提案する。
最後に、我々のアプローチは、様々な合成および実際のデータセットに有利であることを示す。
関連論文リスト
- Proxy Methods for Domain Adaptation [78.03254010884783]
プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。
両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
論文 参考訳(メタデータ) (2024-03-12T09:32:41Z) - 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) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - Nonlinear Distributionally Robust Optimization [6.079011829257036]
本稿では、分布において目的関数が非線形である可能性のある分布ロバスト最適化(DRO)のクラスに焦点を当てる。
本稿では,ジェネリックリスク尺度に対するGateaux(G)誘導体に基づく微分とそれに対応する滑らかさの代替概念を提案する。
我々はFWアルゴリズムのセットアップを用いて非線形DRO問題のサドル点を計算する手法を考案する。
論文 参考訳(メタデータ) (2023-06-05T19:22:02Z) - Implicit Bayes Adaptation: A Collaborative Transport Approach [25.96406219707398]
領域適応は、高次元ユークリッド空間に埋め込まれた非線型部分多様体に本質的に横たわる各データの固有表現に根付いていることを示す。
これは暗黙のベイズ的フレームワークに準じるものであり、ドメイン適応に対するより堅牢で優れたパフォーマンスのアプローチで実現可能であることを示す。
論文 参考訳(メタデータ) (2023-04-17T14:13:40Z) - Distributionally Robust Recourse Action [12.139222986297263]
recourseアクションは、別の結果を受け取るためにインスタンスを修正できる特定の方法を示すことで、特定のアルゴリズム上の決定を説明することを目的としている。
本研究では、モデルシフトの混合の下で有効となる確率の高いリコースアクションを生成する分散ロバスト・リコース・アクション(DiRRAc)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-22T08:52:01Z) - Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。
本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
論文 参考訳(メタデータ) (2022-12-21T18:30:22Z) - KL Guided Domain Adaptation [88.19298405363452]
ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。
ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。
確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
論文 参考訳(メタデータ) (2021-06-14T22:24:23Z) - Implicit Distributional Reinforcement Learning [61.166030238490634]
2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC)
半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。
我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
論文 参考訳(メタデータ) (2020-07-13T02:52:18Z)
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。