論文の概要: Loss-based Sequential Learning for Active Domain Adaptation

• arxiv url: http://arxiv.org/abs/2204.11665v1
• Date: Mon, 25 Apr 2022 14:00:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 15:01:11.854240
• Title: Loss-based Sequential Learning for Active Domain Adaptation
• Title（参考訳）: アクティブドメイン適応のためのロスベースシーケンス学習
• Authors: Kyeongtak Han, Youngeun Kim, Dongyoon Han, Sungeun Hong
• Abstract要約: 本稿では,ドメインタイプ(ソース/ターゲット)とラベルネス(ラベル付き/ラベルなし)の両方を考慮した逐次学習を導入する。 我々のモデルは、様々なベンチマークデータセットのベースラインモデルと同様に、従来の手法よりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 14.366263836801485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active domain adaptation (ADA) studies have mainly addressed query selection while following existing domain adaptation strategies. However, we argue that it is critical to consider not only query selection criteria but also domain adaptation strategies designed for ADA scenarios. This paper introduces sequential learning considering both domain type (source/target) or labelness (labeled/unlabeled). We first train our model only on labeled target samples obtained by loss-based query selection. When loss-based query selection is applied under domain shift, unuseful high-loss samples gradually increase, and the labeled-sample diversity becomes low. To solve these, we fully utilize pseudo labels of the unlabeled target domain by leveraging loss prediction. We further encourage pseudo labels to have low self-entropy and diverse class distributions. Our model significantly outperforms previous methods as well as baseline models in various benchmark datasets.
• Abstract（参考訳）: アクティブドメイン適応(ada)の研究は、既存のドメイン適応戦略に従ってクエリの選択に主に取り組んだ。 しかし,クエリ選択基準だけでなく,adaシナリオ用に設計されたドメイン適応戦略も検討することが重要である。 本稿では,ドメインタイプ(ソース/ターゲット)とラベル(ラベル/ラベル)の両方を考慮した逐次学習を提案する。 まず、損失ベースのクエリ選択によって得られたラベル付きターゲットサンプルにのみモデルをトレーニングする。 ドメインシフトの下で損失ベースのクエリ選択を適用すると、無用な高損失サンプルが徐々に増加し、ラベル付きサンプルの多様性が低下する。 これらの問題を解決するため、ラベル付き対象領域の擬似ラベルを損失予測を利用して完全に活用する。 さらに、擬似ラベルは低い自己エントロピーと多様なクラス分布を持つことを奨励する。 私たちのモデルは、様々なベンチマークデータセットのベースラインモデルと同様に、以前のメソッドを大幅に上回っています。

関連論文リスト

• Local Context-Aware Active Domain Adaptation [61.59201475369795]
  この問題に対処するために,LADAというローカルコンテキスト対応ADAフレームワークを提案する。 そこで本研究では,モデル予測の局所的矛盾に基づく新しい基準を考案する。 提案基準が既存のアクティブ・セレクション・ストラテジーよりも、より情報的なターゲット・サンプルを選択することが実験によって検証された。
  論文  参考訳（メタデータ） (2022-08-26T20:08:40Z)
• 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)
• On Universal Black-Box Domain Adaptation [53.7611757926922]
  実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。 ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。 対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T02:21:09Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Hard Class Rectification for Domain Adaptation [36.58361356407803]
  ドメイン適応(DA)は、ラベルリッチドメイン(ソースドメイン)からラベルケアドメイン(ターゲットドメイン)に知識を移すことを目的としている。 本稿では,HCRPL(Hard Class Rectification Pseudo-labeling)と呼ばれる新しいフレームワークを提案する。 提案手法は,非教師付きドメイン適応(UDA)と半教師付きドメイン適応(SSDA)の両方において評価される。
  論文  参考訳（メタデータ） (2020-08-08T06:21:58Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)
• Enlarging Discriminative Power by Adding an Extra Class in Unsupervised Domain Adaptation [5.377369521932011]
  新たに人工的なクラスを追加し、新しいクラスのGAN生成サンプルとともにデータ上でモデルをトレーニングする。 私たちのアイデアは、DANN、VADA、DIRT-Tといった既存のメソッドと互換性がある、非常に一般的なものです。
  論文  参考訳（メタデータ） (2020-02-19T07:58:24Z)
• A Sample Selection Approach for Universal Domain Adaptation [94.80212602202518]
  普遍シナリオにおける教師なし領域適応の問題について検討する。 ソースドメインとターゲットドメインの間で共有されるクラスは、一部のみである。 共有クラスのサンプルの同定に有効なスコアリング方式を提案する。
  論文  参考訳（メタデータ） (2020-01-14T22:28:43Z)
• MiniMax Entropy Network: Learning Category-Invariant Features for Domain Adaptation [29.43532067090422]
  逆学習に基づくMMEN(MiniMax Entropy Networks)と呼ばれる実装が容易な手法を提案する。 ドメイン差に対処するためにジェネレータを使用する既存のアプローチとは異なり、MMENはラベルのないターゲットサンプルからカテゴリ情報を学習することに重点を置いている。
  論文  参考訳（メタデータ） (2019-04-21T13:39:29Z)

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。