論文の概要: Local Prediction Aggregation: A Frustratingly Easy Source-free Domain Adaptation Method

• arxiv url: http://arxiv.org/abs/2205.04183v1
• Date: Mon, 9 May 2022 10:49:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 20:03:32.948354
• Title: Local Prediction Aggregation: A Frustratingly Easy Source-free Domain Adaptation Method
• Title（参考訳）: 局所的予測集約: フラストレーションやすいソースフリードメイン適応法
• Authors: Shiqi Yang, Yaxing Wang, Kai Wang, Joost van de Weijer, Shangling Jui
• Abstract要約: 本稿では,単純だが効果的なソースフリードメイン適応(SFDA)法を提案する。 SFDAを教師なしクラスタリング問題として扱うことにより,予測一貫性の目標を最適化する。 SFDAにおける今後の研究のベースラインとして,本手法を採用することができる。
• 参考スコア（独自算出の注目度）: 39.31881646860522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a simple but effective source-free domain adaptation (SFDA) method. Treating SFDA as an unsupervised clustering problem and following the intuition that local neighbors in feature space should have more similar predictions than other features, we propose to optimize an objective of prediction consistency. This objective encourages local neighborhood features in feature space to have similar predictions while features farther away in feature space have dissimilar predictions, leading to efficient feature clustering and cluster assignment simultaneously. For efficient training, we seek to optimize an upper-bound of the objective which contains two simple terms. Furthermore, we relate popular existing methods in domain adaptation, source-free domain adaptation and contrastive learning via the perspective of discriminability and diversity. The experimental results prove the superiority of our method, and our method can be adopted as a simple but strong baseline for future research in SFDA. Code is available in https://github.com/Albert0147/LPA_SFDA.
• Abstract（参考訳）: 本稿では,sfda(source-free domain adaptation)法を提案する。 sfdaを教師なしクラスタリング問題として扱い,特徴空間内の局所の隣人が他の特徴よりも類似した予測を持つべきだという直観に従って,予測一貫性の目的を最適化する。 この目的は、特徴空間内の局所的な特徴が類似した予測を持つのに対して、特徴空間内のより遠くにある特徴が異なる予測を持つように促し、効率的な特徴クラスタリングとクラスタ割り当てを同時に実現する。 効率的な学習のために,2つの簡単な用語を含む目的の上限を最適化する。 さらに, 識別可能性と多様性の観点から, ドメイン適応, ソースフリードメイン適応, コントラスト学習において, 一般的な既存手法を関連付ける。 本手法は,sfdaの今後の研究において,単純かつ強固なベースラインとして採用できることを示す実験結果である。 コードはhttps://github.com/Albert0147/LPA_SFDAで入手できる。

関連論文リスト

• 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)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Casting a BAIT for Offline and Online Source-free Domain Adaptation [51.161476418834766]
  我々は、ソースフリードメイン適応(SFDA)問題に対処し、ターゲットドメインへの適応中にのみソースモデルが利用可能となる。 本稿では,多種多様な分類器に基づくドメイン適応法に着想を得て,第2の分類器を導入する。 ターゲットドメインに適合すると、ソースから追加の分類器が誤って分類された特徴を見つけることが期待される。 本手法は, オープンソースフリードメイン適応設定下において, SFDA法をはるかに上回っている。
  論文  参考訳（メタデータ） (2020-10-23T14:18:42Z)
• Domain Adaptation by Class Centroid Matching and Local Manifold Self-Learning [8.316259570013813]
  本稿では,対象領域のデータ分散構造を徹底的に探索できる新しい領域適応手法を提案する。 対象領域内の同一クラスタ内のサンプルを個人ではなく全体とみなし、クラスセントロイドマッチングにより擬似ラベルを対象クラスタに割り当てる。 提案手法の目的関数を理論的収束保証を用いて解くために,効率的な反復最適化アルゴリズムを設計した。
  論文  参考訳（メタデータ） (2020-03-20T16:59:27Z)

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。