論文の概要: Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2204.03838v1
• Date: Fri, 8 Apr 2022 04:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-11 13:11:55.389701
• Title: Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation
• Title（参考訳）: 識別子としてのタスク固有分類器の再使用:判別子なし逆ドメイン適応
• Authors: Lin Chen, Huaian Chen, Zhixiang Wei, Xin Jin, Xiao Tan, Yi Jin, Enhong Chen
• Abstract要約: 非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。 DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。 DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
• 参考スコア（独自算出の注目度）: 55.27563366506407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial learning has achieved remarkable performances for unsupervised domain adaptation (UDA). Existing adversarial UDA methods typically adopt an additional discriminator to play the min-max game with a feature extractor. However, most of these methods failed to effectively leverage the predicted discriminative information, and thus cause mode collapse for generator. In this work, we address this problem from a different perspective and design a simple yet effective adversarial paradigm in the form of a discriminator-free adversarial learning network (DALN), wherein the category classifier is reused as a discriminator, which achieves explicit domain alignment and category distinguishment through a unified objective, enabling the DALN to leverage the predicted discriminative information for sufficient feature alignment. Basically, we introduce a Nuclear-norm Wasserstein discrepancy (NWD) that has definite guidance meaning for performing discrimination. Such NWD can be coupled with the classifier to serve as a discriminator satisfying the K-Lipschitz constraint without the requirements of additional weight clipping or gradient penalty strategy. Without bells and whistles, DALN compares favorably against the existing state-of-the-art (SOTA) methods on a variety of public datasets. Moreover, as a plug-and-play technique, NWD can be directly used as a generic regularizer to benefit existing UDA algorithms. Code is available at https://github.com/xiaoachen98/DALN.
• Abstract（参考訳）: 教師なしドメイン適応 (UDA) において, 対人学習は顕著な成果を上げている。 既存のUDAメソッドは、通常、機能抽出器でmin-maxゲームをプレイするために追加の判別器を採用する。 しかし、これらの手法の多くは、予測された識別情報の有効利用に失敗し、ジェネレータのモード崩壊を引き起こした。 本研究では、この問題を異なる視点から解決し、識別器のない対数学習ネットワーク(DALN)の形で単純な対数パラダイムを設計し、分類器を識別器として再利用し、統一目的によって明確なドメインアライメントとカテゴリ識別を実現し、DALNが予測された識別情報を十分な特徴アライメントに活用できるようにする。 基本的には、識別を行うための明確なガイダンスを持つ核ノルムワッサーシュタイン不一致(NWD)を導入する。 このようなNWDは分類器と結合してK-Lipschitz制約を満たす判別器として機能し、加重切断や勾配のペナルティ戦略を必要としない。 ベルとホイッスルがなければ、DALNはさまざまな公開データセット上の既存の最先端(SOTA)メソッドと好意的に比較する。 さらに、プラグアンドプレイ技術として、NWDは既存のUDAアルゴリズムの恩恵を受けるために、ジェネリックレギュレータとして直接使用できる。 コードはhttps://github.com/xiaoachen98/DALNで入手できる。

関連論文リスト

• Discriminator-free Unsupervised Domain Adaptation for Multi-label Image Classification [11.825795835537324]
  マルチラベル画像分類(MLIC)のための識別器レス逆数型Unminator Domain Adaptation (UDA)を提案する。 提案手法は,3種類の領域シフトを対象とする複数ラベル画像データセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-01-25T14:45:13Z)
• Mitigating Algorithmic Bias with Limited Annotations [65.060639928772]
  機密属性が公開されていない場合、バイアスを軽減するために、トレーニングデータの小さな部分を手動でアノテートする必要がある。 本稿では,アルゴリズムバイアスの影響を最大限に排除するために,限定アノテーションを誘導する対話型フレームワークであるアクティブペナライゼーション・オブ・差別(APOD)を提案する。 APODは完全なアノテートバイアス緩和と同等のパフォーマンスを示しており、機密情報が制限された場合、APODが現実世界のアプリケーションに利益をもたらすことを実証している。
  論文  参考訳（メタデータ） (2022-07-20T16:31:19Z)
• A Semi-Supervised Adaptive Discriminative Discretization Method Improving Discrimination Power of Regularized Naive Bayes [0.48342038441006785]
  半教師付き適応型ベイズ識別フレームワークを提案する。 ラベル付きデータとラベルなしデータの両方を擬似ラベル付け技術で利用することで、データ分布をより正確に推定できる。 また,適応的識別識別方式を用いて,識別時の情報損失を著しく低減する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-22T04:36:40Z)
• Re-using Adversarial Mask Discriminators for Test-time Training under Distribution Shifts [10.647970046084916]
  安定判別器の訓練によって表現的損失関数が生成され、推論時に再使用してセグメント化ミスを検出し、修正することができると論じる。 我々は、識別器と画像再構成コストを(デコーダを介して)組み合わせることで、モデルをさらに改善できることを示す。 提案手法は単純で,事前学習したGANの試験時間性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-26T17:31:46Z)
• Exploring Dropout Discriminator for Domain Adaptation [27.19677042654432]
  新しいドメインへの分類器の適応は、機械学習における難しい問題の1つである。 本稿では, サンプル分布の分散を徐々に増大させるカリキュラムベースのドロップアウト判別器を提案する。 識別器のアンサンブルは、モデルがデータ分散を効率的に学習するのに役立つ。
  論文  参考訳（メタデータ） (2021-07-09T06:11:34Z)
• Fairness via Representation Neutralization [60.90373932844308]
  フェアネスのための表現中立化(Representation Neutralization for Fairness, RNF)という新たな緩和手法を提案する。 RNFは、DNNモデルのタスク固有の分類ヘッダのみをデバイアスすることで、その公平性を達成する。 複数のベンチマークデータセットに対する実験結果は、DNNモデルの識別を効果的に削減するRNFフレームワークを実証している。
  論文  参考訳（メタデータ） (2021-06-23T22:26:29Z)
• Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation [88.86865069583149]
  Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。 本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。 RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
  論文  参考訳（メタデータ） (2021-03-22T08:32:55Z)
• Training GANs with Stronger Augmentations via Contrastive Discriminator [80.8216679195]
  本稿では,gan判別器にコントラスト表現学習方式を導入する。 この「融合」により、識別者は訓練の不安定さを増すことなく、より強力な増強に対処できる。 実験の結果,contratd付きganはfidを一貫して改善し,データ拡張を組み込んだ他の手法と比較した。
  論文  参考訳（メタデータ） (2021-03-17T16:04:54Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。