論文の概要: Generalizing to Evolving Domains with Latent Structure-Aware Sequential Autoencoder

• arxiv url: http://arxiv.org/abs/2205.07649v1
• Date: Mon, 16 May 2022 13:11:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-17 14:26:09.866750
• Title: Generalizing to Evolving Domains with Latent Structure-Aware Sequential Autoencoder
• Title（参考訳）: 潜在構造対応シークエンシャルオートエンコーダを用いた進化ドメインへの一般化
• Authors: Tiexin Qin and Shiqi Wang and Haoliang Li
• Abstract要約: 本稿では,Latent Structure-aware Sequential Autoencoder (LSSAE) と呼ばれる確率的フレームワークを導入する。 合成データセットと実世界のデータセットの両方の実験結果から、LSSAEは優れたパフォーマンスをもたらすことが示された。
• 参考スコア（独自算出の注目度）: 32.46804768486719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization aims to improve the generalization capability of machine learning systems to out-of-distribution (OOD) data. Existing domain generalization techniques embark upon stationary and discrete environments to tackle the generalization issue caused by OOD data. However, many real-world tasks in non-stationary environments (e.g. self-driven car system, sensor measures) involve more complex and continuously evolving domain drift, which raises new challenges for the problem of domain generalization. In this paper, we formulate the aforementioned setting as the problem of evolving domain generalization. Specifically, we propose to introduce a probabilistic framework called Latent Structure-aware Sequential Autoencoder (LSSAE) to tackle the problem of evolving domain generalization via exploring the underlying continuous structure in the latent space of deep neural networks, where we aim to identify two major factors namely covariate shift and concept shift accounting for distribution shift in non-stationary environments. Experimental results on both synthetic and real-world datasets show that LSSAE can lead to superior performances based on the evolving domain generalization setting.
• Abstract（参考訳）: ドメインの一般化は、機械学習システムの一般化能力を改善することを目的としている。 既存の領域一般化技術は、OODデータによる一般化問題に対処するため、定常および離散的な環境に導入されている。 しかし、非定常環境(例えば、自走車システム、センサー測度など)における現実的なタスクの多くは、より複雑で連続的に進化するドメインドリフトを伴い、ドメイン一般化の問題に対する新たな課題を引き起こす。 本稿では、ドメイン一般化の進化問題として上記の設定を定式化する。 具体的には,非定常環境における分布シフトを考慮した共変量シフトと概念シフトという2つの主要な要因を同定することを目的として,ディープニューラルネットワークの潜時空間における基盤となる連続構造を探索することにより,ドメインの一般化の進化に対処する,Latent Structure-aware Sequential Autoencoder (LSSAE) という確率的フレームワークを提案する。 合成および実世界の両方のデータセットに対する実験結果から, LSSAEは進化する領域一般化設定に基づいて, 優れた性能が得られることが示された。

関連論文リスト

• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  ドメイン一般化(DG)は、最近、ポイントクラウド分類(PCC)モデルの、目に見えない領域への一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• Generalizing across Temporal Domains with Koopman Operators [15.839454056986446]
  本研究では,条件分布の整合が一般化限界の減少に繋がる新しい理論結果を提案する。 この分析は、クープマンニューラル演算子を用いて時間領域一般化(TDG)問題を解くための重要な動機となっている。
  論文  参考訳（メタデータ） (2024-02-12T17:45:40Z)
• Enhancing Evolving Domain Generalization through Dynamic Latent Representations [47.3810472814143]
  我々はMultual Information-Based Sequential Autoencoders (MISTS) と呼ばれる新しいフレームワークを提案する。 MISTSは、Mutual Information-Based Sequential Autoencoders (MISTS)と呼ばれる新しいフレームワークを通じて、動的および不変両方の機能を学ぶ 人工と実世界の両方のデータセットに対する実験結果は、MISTSが進化と不変の両方の情報を取得することに成功していることを示している。
  論文  参考訳（メタデータ） (2024-01-16T16:16:42Z)
• Complementary Domain Adaptation and Generalization for Unsupervised Continual Domain Shift Learning [4.921899151930171]
  教師なし連続的なドメインシフト学習は、現実世界のアプリケーションにおいて重要な課題である。 本稿では,シンプルで効果的な学習フレームワークであるComplementary Domain Adaptation and Generalization (CoDAG)を提案する。 我々のアプローチはモデルに依存しないため、既存のドメイン適応および一般化アルゴリズムと互換性がある。
  論文  参考訳（メタデータ） (2023-03-28T09:05:15Z)
• Foresee What You Will Learn: Data Augmentation for Domain Generalization in Non-Stationary Environments [14.344721944207599]
  既存のドメインの一般化は、目に見えないドメインでもうまく機能する一般化可能なモデルを学ぶことを目的としている。 本稿では,DDA(Directional Domain Augmentation)を提案する。DDA(Directional Domain Augmentation)は,ソースデータをドメイントランスフォーマーを介して拡張としてマッピングすることで,未確認のターゲット特徴をシミュレートする。 提案手法は, 合成データセットと実世界のデータセットの両方で評価し, 実験結果から, 提案手法が既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-19T01:51:37Z)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)

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。