論文の概要: Towards Backwards-Compatible Data with Confounded Domain Adaptation

• arxiv url: http://arxiv.org/abs/2203.12720v3
• Date: Mon, 11 Nov 2024 02:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:05:56.656456
• Title: Towards Backwards-Compatible Data with Confounded Domain Adaptation
• Title（参考訳）: ドメイン適応の確立による後方互換性データの実現に向けて
• Authors: Calvin McCarter,
• Abstract要約: 一般化ラベルシフト(GLS)を変更することで、汎用データの後方互換性を実現する。 本稿では,ソースとターゲット条件分布のばらつきを最小限に抑えた新しい枠組みを提案する。 ガウス逆Kulback-Leibler分散と最大平均誤差を用いた具体的実装を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Most current domain adaptation methods address either covariate shift or label shift, but are not applicable where they occur simultaneously and are confounded with each other. Domain adaptation approaches which do account for such confounding are designed to adapt covariates to optimally predict a particular label whose shift is confounded with covariate shift. In this paper, we instead seek to achieve general-purpose data backwards compatibility. This would allow the adapted covariates to be used for a variety of downstream problems, including on pre-existing prediction models and on data analytics tasks. To do this we consider a modification of generalized label shift (GLS), which we call confounded shift. We present a novel framework for this problem, based on minimizing the expected divergence between the source and target conditional distributions, conditioning on possible confounders. Within this framework, we provide concrete implementations using the Gaussian reverse Kullback-Leibler divergence and the maximum mean discrepancy. Finally, we demonstrate our approach on synthetic and real datasets.
• Abstract（参考訳）: 現在のドメイン適応法は、共変量シフトまたはラベルシフトに対処するが、それらが同時に発生し、互いに共起する場合には適用できない。 このような相違を考慮に入れたドメイン適応アプローチは、共変量に適応して、共変量シフトと共変量シフトを共起する特定のラベルを最適に予測するように設計されている。 本稿では,汎用データの後方互換性を実現することを目的としている。 これにより、既存の予測モデルやデータ分析タスクなど、さまざまな下流問題に適応した共変量を使用することが可能になる。 これを実現するために、一般化ラベルシフト(GLS)の修正を検討する。 本稿では,ソースとターゲット条件分布の相違を最小化し,共同ファウンダーを前提とした新たな枠組みを提案する。 このフレームワーク内では、ガウス逆クルバック・リーブラの発散と平均誤差の最大値を用いて具体的な実装を提供する。 最後に、合成および実データに対する我々のアプローチを実証する。

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)
• 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)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Importance Weighting Correction of Regularized Least-Squares for Covariate and Target Shifts [0.0]
  多くの実世界の問題では、トレーニングデータとテストデータが異なる分布を持つ。 重要重み付け(IW)補正は、データセットシフトの下で学習シナリオに存在するバイアスを修正する普遍的な方法である。 IW補正は、異なるデータセットシフトシナリオに対して等しく有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-18T09:39:36Z)
• Mapping conditional distributions for domain adaptation under generalized target shift [0.0]
  我々は、条件シフトとラベルシフト(GeTarS)の下でのソースとターゲットドメイン間の教師なしドメイン適応(UDA)の問題を考える。 最近のアプローチでは、ドメイン不変表現を学習するが、実際的な制限があり、実際には成り立たない強い仮定に依存している。 本稿では,既存の欠点を回避した,事前訓練された表現の整合化のための,新規で汎用的なアプローチについて検討する。
  論文  参考訳（メタデータ） (2021-10-26T14:25:07Z)
• 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)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。