Fugu-MT 論文翻訳(概要): Confidence Score for Source-Free Unsupervised Domain Adaptation

論文の概要: Confidence Score for Source-Free Unsupervised Domain Adaptation

arxiv url: http://arxiv.org/abs/2206.06640v1
Date: Tue, 14 Jun 2022 07:04:02 GMT
ステータス: 処理完了
システム内更新日: 2022-06-15 14:12:43.663784
Title: Confidence Score for Source-Free Unsupervised Domain Adaptation
Title（参考訳）: ソース非教師なしドメイン適応のための信頼スコア
Authors: Jonghyun Lee, Dahuin Jung, Junho Yim, Sungroh Yoon
Abstract要約: Source-free unsupervised domain adapt (SFUDA) は、ソースデータではなく、事前訓練されたソースモデルを用いてラベルなしのターゲットドメインで高いパフォーマンスを得ることを目的としている。そこで本研究では,SFUDAのための新しいサンプル単位の信頼度スコア,JMDS(Joint Model-Data Structure)スコアを提案する。次に、SFUDAのためのJMDSフレームワークを用いた信頼スコア重み付け適応を提案する。
参考スコア（独自算出の注目度）: 26.086764646306463
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Source-free unsupervised domain adaptation (SFUDA) aims to obtain high performance in the unlabeled target domain using the pre-trained source model, not the source data. Existing SFUDA methods assign the same importance to all target samples, which is vulnerable to incorrect pseudo-labels. To differentiate between sample importance, in this study, we propose a novel sample-wise confidence score, the Joint Model-Data Structure (JMDS) score for SFUDA. Unlike existing confidence scores that use only one of the source or target domain knowledge, the JMDS score uses both knowledge. We then propose a Confidence score Weighting Adaptation using the JMDS (CoWA-JMDS) framework for SFUDA. CoWA-JMDS consists of the JMDS scores as sample weights and weight Mixup that is our proposed variant of Mixup. Weight Mixup promotes the model make more use of the target domain knowledge. The experimental results show that the JMDS score outperforms the existing confidence scores. Moreover, CoWA-JMDS achieves state-of-the-art performance on various SFUDA scenarios: closed, open, and partial-set scenarios.
Abstract（参考訳）: Source-free unsupervised domain adapt (SFUDA) は、ソースデータではなく、事前訓練されたソースモデルを用いてラベルなしのターゲットドメインで高いパフォーマンスを得ることを目的としている。既存のSFUDAメソッドは、不正な擬似ラベルに対して脆弱な全てのターゲットサンプルに同じ重要性を割り当てる。サンプル重要度を区別するため,本研究では,sfudaのjmds(joint model-data structure)スコアという新しいサンプル信頼度スコアを提案する。ソースまたはターゲットの知識の1つのみを使用する既存の信頼度スコアとは異なり、jmdsスコアは両方の知識を使用する。次に、SFUDAのためのJMDS(CoWA-JMDS)フレームワークを用いた信頼スコア重み付け適応を提案する。 CoWA-JMDSは,提案したMixupのサンプル重みと重みの混合としてJMDSスコアから成っている。 weight mixupは、ターゲットドメインの知識をより活用するモデルを促進する。実験の結果,JMDSスコアは既存の信頼度スコアよりも優れていた。さらに、CoWA-JMDSは様々なSFUDAシナリオ(クローズド、オープン、部分セットのシナリオ)で最先端のパフォーマンスを達成する。

関連論文リスト

Positive and Unlabeled Data: Model, Estimation, Inference, and Classification [10.44075062541605]
本研究では、二重指数傾斜モデル(DETM)による正・ラベルなし(PU)データへの新たなアプローチを提案する。従来の手法は、完全にランダム(SCAR)PUデータでのみ適用されるため、しばしば不足する。我々のDEMの二重構造は、ランダムPUデータで選択されたより複雑で未探索な構造を効果的に許容する。
論文参考訳（メタデータ） (2024-07-13T00:57:04Z)
Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with Differentiable Expected Calibration Error [50.86671887712424]
ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
論文参考訳（メタデータ） (2023-08-06T03:28:34Z)
IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。 IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
論文参考訳（メタデータ） (2023-03-05T18:16:34Z)
Distributionally Robust Domain Adaptation [12.02023514105999]
ドメイン適応(DA: Domain Adaptation)は、ソースドメインとターゲットドメインをまたいだ学習モデルに適合する可能性から、最近大きな注目を集めている。本稿では,分散ロバストな領域適応手法DRDAを提案する。
論文参考訳（メタデータ） (2022-10-30T17:29:22Z)
ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing [32.679280923208715]
オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
論文参考訳（メタデータ） (2022-10-20T19:16:39Z)
Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
論文参考訳（メタデータ） (2022-06-02T21:58:54Z)
Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。 SSDAのための多レベル一貫性学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-05-09T06:41:18Z)
Domain Adaptation via Maximizing Surrogate Mutual Information [12.52404300059864]
Unsupervised Domain adapt (UDA) は、ソースドメインからラベル付きデータにアクセスすることで、ターゲットドメインからラベルなしデータを予測することを目的としている。本稿では,SIDA (Surrogate Mutual Information Maximization Domain Adaptation) と呼ばれる理論的保証のある新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-10-23T09:45:15Z)
Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文参考訳（メタデータ） (2020-12-14T07:28:50Z)
Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。提案手法は下流タスクに有利な校正不確実性を生成する。
論文参考訳（メタデータ） (2020-10-08T02:10:54Z)
Adversarial Training Based Multi-Source Unsupervised Domain Adaptation for Sentiment Analysis [19.05317868659781]
感情分析のためのマルチソース領域適応手法に基づく2つの伝達学習フレームワークを提案する。最初のフレームワークは、新しいWeighting Schemeベースのunsupervised Domain Adaptation framework (WS-UDA)で、ソース分類器を組み合わせてターゲットインスタンスの擬似ラベルを取得する。 2つめのフレームワークは、2段階トレーニングベースの教師なしドメイン適応フレームワーク(2ST-UDA)である。
論文参考訳（メタデータ） (2020-06-10T01:41:00Z)

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。