Fugu-MT 論文翻訳(概要): PGADA: Perturbation-Guided Adversarial Alignment for Few-shot Learning Under the Support-Query Shift

論文の概要: PGADA: Perturbation-Guided Adversarial Alignment for Few-shot Learning Under the Support-Query Shift

arxiv url: http://arxiv.org/abs/2205.03817v1
Date: Sun, 8 May 2022 09:15:58 GMT
ステータス: 処理完了
システム内更新日: 2022-05-11 05:52:21.549143
Title: PGADA: Perturbation-Guided Adversarial Alignment for Few-shot Learning Under the Support-Query Shift
Title（参考訳）: pgada: サポートクエリシフト下での少数ショット学習のための摂動誘導逆アライメント
Authors: Siyang Jiang, Wei Ding, Hsi-Wen Chen, Ming-Syan Chen
Abstract要約: 低次元の埋め込み空間にデータを埋め込み、未知のクエリデータを目に見えないサポートセットに分類することを目的としている。画像中の小さな摂動が最適輸送を著しく誤解し、モデル性能を低下させることがわかった。そこで我々はまず,摂動誘導適応(PGADA)という新たな逆データ拡張手法を提案する。
参考スコア（独自算出の注目度）: 10.730615481992515
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Few-shot learning methods aim to embed the data to a low-dimensional embedding space and then classify the unseen query data to the seen support set. While these works assume that the support set and the query set lie in the same embedding space, a distribution shift usually occurs between the support set and the query set, i.e., the Support-Query Shift, in the real world. Though optimal transportation has shown convincing results in aligning different distributions, we find that the small perturbations in the images would significantly misguide the optimal transportation and thus degrade the model performance. To relieve the misalignment, we first propose a novel adversarial data augmentation method, namely Perturbation-Guided Adversarial Alignment (PGADA), which generates the hard examples in a self-supervised manner. In addition, we introduce Regularized Optimal Transportation to derive a smooth optimal transportation plan. Extensive experiments on three benchmark datasets manifest that our framework significantly outperforms the eleven state-of-the-art methods on three datasets.
Abstract（参考訳）: 少数ショット学習手法は、データを低次元の埋め込み空間に埋め込み、目に見えないクエリデータを視認されたサポートセットに分類することを目的としている。これらの作業は、サポートセットとクエリセットが同じ埋め込み空間にあると仮定しているが、通常、分散シフトは、実際の世界では、サポートセットとクエリセット、すなわち、サポート-クエリシフトの間に発生する。最適輸送は異なる分布を整合させることで説得力のある結果が得られたが、画像内の小さな摂動が最適な輸送を著しく誤解し、モデル性能を低下させることが判明した。そこで本研究では,まず,自己管理的手法でハードケースを生成する新しい逆データ拡張手法であるPerturbation-Guided Adversarial Alignment(PGADA)を提案する。また、円滑な最適輸送計画の導出のために、正規化最適輸送を導入する。 3つのベンチマークデータセットに対する大規模な実験は、我々のフレームワークが3つのデータセット上で11の最先端メソッドを著しく上回っていることを示している。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
論文参考訳（メタデータ） (2023-11-03T03:18:40Z)
Dual Adversarial Alignment for Realistic Support-Query Shift Few-shot Learning [15.828113109152069]
Support-Query Shift Few-shot Learningは、低次元空間に埋め込まれた学習結果に基づいて、未確認例(クエリセット)をラベル付きデータ(サポートセット)に分類することを目的としている。本稿では,現実的なサポートクエリシフト (Realistic Support-Query Shift) という,新しい難題を提案する。さらに,DuaL(dual adversarial alignment framework)と呼ばれる一貫した対角的特徴アライメント手法を提案し,RSQSをドメイン間バイアスとドメイン内分散の2つの側面から緩和する。
論文参考訳（メタデータ） (2023-09-05T09:50:31Z)
MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
論文参考訳（メタデータ） (2023-01-18T07:55:22Z)
Surgical Fine-Tuning Improves Adaptation to Distribution Shifts [114.17184775397067]
分散シフト下での伝達学習の一般的なアプローチは、事前訓練されたモデルの最後の数層を微調整することである。本稿は, 階層のサブセットを選択的に微調整する手法が, 一般的に用いられている微調整手法と一致し, 性能が良くないことを示す。
論文参考訳（メタデータ） (2022-10-20T17:59:15Z)
Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
既存のアプローチでは、両方の問題が存在するシナリオに対処できません。本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
論文参考訳（メタデータ） (2022-07-20T19:07:46Z)
Con$^{2}$DA: Simplifying Semi-supervised Domain Adaptation by Learning Consistent and Contrastive Feature Representations [1.2891210250935146]
Con$2$DAは、半教師付き学習の最近の進歩を半教師付きドメイン適応問題に拡張するフレームワークである。我々のフレームワークは、与えられた入力に対してデータ変換を行うことで、関連するサンプルのペアを生成する。我々は、異なる損失関数を使用して、関連するデータペアのサンプルの特徴表現間の一貫性を強制します。
論文参考訳（メタデータ） (2022-04-04T15:05:45Z)
Learning Under Adversarial and Interventional Shifts [36.183840774167756]
分散シフトの集合に対してロバストなモデルを設計するための新しい定式化 RISe を提案する。分散的に堅牢な最適化フレームワークを使用して、教師付きおよび強化学習設定の両方で結果の目標を最適化する。
論文参考訳（メタデータ） (2021-03-29T20:10:51Z)
Stochastic Adversarial Gradient Embedding for Active Domain Adaptation [4.514832807541817]
Unlabelled Domain Adaptation (UDA)は、ラベル付きデータが利用可能なソースドメインと、教師なしデータでのみ表現されるターゲットドメインの間のギャップを埋めることを目的としている。本稿では、アクティブラーニングを用いて目標データの小さな予算をアノテートすることでこの問題に対処する。 ADAに3つの貢献をするフレームワークであるtextitStochastic Adversarial Gradient Embedding (SAGE)を紹介した。
論文参考訳（メタデータ） (2020-12-03T11:28:32Z)
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)
Representation Learning via Adversarially-Contrastive Optimal Transport [40.52344027750609]
我々はその問題をコントラスト表現学習の文脈に設定した。本稿では,ワッサースタイン GAN と新しい分類器を結合するフレームワークを提案する。我々の結果は、挑戦的なベースラインに対する競争力を示す。
論文参考訳（メタデータ） (2020-07-11T19:46:18Z)

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。