論文の概要: Jacobian Norm for Unsupervised Source-Free Domain Adaptation

• arxiv url: http://arxiv.org/abs/2204.03467v1
• Date: Thu, 7 Apr 2022 14:30:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 21:06:53.816168
• Title: Jacobian Norm for Unsupervised Source-Free Domain Adaptation
• Title（参考訳）: 教師なしソースフリードメイン適応のためのヤコビアンノルム
• Authors: Weikai Li, Meng Cao and Songcan Chen
• Abstract要約: フリードメイン適応(USFDA)は、よく訓練されたソースモデルから関連するがラベルのないターゲットドメインに知識を伝達することを目的としている。 既存のFDAは、ソースモデルに隠された潜在分布にターゲット特徴を合わせることで、知識を伝達する。 性能向上のための新たな視点を提案する。
• 参考スコア（独自算出の注目度）: 37.958884762225814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised Source (data) Free domain adaptation (USFDA) aims to transfer knowledge from a well-trained source model to a related but unlabeled target domain. In such a scenario, all conventional adaptation methods that require source data fail. To combat this challenge, existing USFDAs turn to transfer knowledge by aligning the target feature to the latent distribution hidden in the source model. However, such information is naturally limited. Thus, the alignment in such a scenario is not only difficult but also insufficient, which degrades the target generalization performance. To relieve this dilemma in current USFDAs, we are motivated to explore a new perspective to boost their performance. For this purpose and gaining necessary insight, we look back upon the origin of the domain adaptation and first theoretically derive a new-brand target generalization error bound based on the model smoothness. Then, following the theoretical insight, a general and model-smoothness-guided Jacobian norm (JN) regularizer is designed and imposed on the target domain to mitigate this dilemma. Extensive experiments are conducted to validate its effectiveness. In its implementation, just with a few lines of codes added to the existing USFDAs, we achieve superior results on various benchmark datasets.
• Abstract（参考訳）: unsupervised source (data) free domain adaptation (usfda)は、よく訓練されたソースモデルから関連するがラベルなしのターゲットドメインに知識を転送することを目的としている。 このようなシナリオでは、ソースデータを必要とする従来の適応メソッドはすべてフェールする。 この課題に対処するため、既存のusfdaは、ソースモデルに隠された潜在分布にターゲット機能を調整することによって、知識を転送する。 しかし、そのような情報は自然に限られている。 したがって、そのようなシナリオにおけるアライメントは困難であるばかりでなく、目標の一般化性能を低下させる不十分である。 現在のusfdaにおけるこのジレンマを緩和するために、私たちは、パフォーマンスを高めるための新しい視点を探求する動機があります。 この目的と必要な洞察を得るために、まずドメイン適応の起源を振り返り、まずモデル滑らか性に基づいて新しいブランドのターゲット一般化誤差を導出する。 そして、理論的な洞察に従って、このジレンマを緩和するために、一般およびモデルスムーズ誘導ジャコビアンノルム(JN)正則化器が設計され、対象領域に課される。 その効果を検証するために広範な実験が行われている。 その実装では、既存のFDAに数行のコードを追加するだけで、さまざまなベンチマークデータセットで優れた結果が得られます。

関連論文リスト

• Unified Source-Free Domain Adaptation [44.95240684589647]
  ソーストレーニングデータにアクセスせずにソースモデルをターゲットドメインに転送する目的で、Source-Free Domain Adaptation (SFDA)が広く研究されている。 我々はLCFD(Latent Causal Factors Discovery)と呼ばれる新しい手法を提案する。 現実の統計的記述の学習を強調する従来の代替手段とは対照的に、因果性の観点からLCFDを定式化する。
  論文  参考訳（メタデータ） (2024-03-12T12:40:08Z)
• Continual Source-Free Unsupervised Domain Adaptation [37.060694803551534]
  既存のソースフリーのUnsupervised Domain Adaptationアプローチは破滅的な忘れを見せる。 本稿では,SuDAの継続的な学習環境における課題に対応するための連続的なSUDA(C-SUDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-14T20:11:05Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Source-Free Domain Adaptation for Semantic Segmentation [11.722728148523366]
  Unsupervised Domain Adaptation(UDA)は、セマンティックセグメンテーションのための畳み込みニューラルネットワークベースのアプローチがピクセルレベルの注釈付きデータに大きく依存するという課題に取り組むことができる。 そこで本稿では,十分に訓練されたソースモデルとラベルなしのターゲットドメインデータセットのみを適用可能な,意味セグメンテーションのためのソースフリーなドメイン適応フレームワークsfdaを提案する。
  論文  参考訳（メタデータ） (2021-03-30T14:14:29Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)
• Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
  本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。 本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-09T07:16:30Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。