論文の概要: Diffusion Transport Alignment

• arxiv url: http://arxiv.org/abs/2206.07305v1
• Date: Wed, 15 Jun 2022 05:25:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 12:40:23.339465
• Title: Diffusion Transport Alignment
• Title（参考訳）: 拡散輸送アライメント
• Authors: Andres F. Duque, Guy Wolf, Kevin R. Moon
• Abstract要約: 多くの既存のデータ統合手法は、データセット全体のドメイン間の既知の1対1対応を前提としている。 そこで本研究では,領域を整合させるために,少数の点間の先行対応知識を利用する半教師付き多様体アライメント手法を提案する。 我々は、DTAが、この半教師付き環境でのマルチモーダルデータの整合性において、他の手法よりも優れていることを実証的に示す。
• 参考スコア（独自算出の注目度）: 10.949343817897455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of multimodal data presents a challenge in cases when the study of a given phenomena by different instruments or conditions generates distinct but related domains. Many existing data integration methods assume a known one-to-one correspondence between domains of the entire dataset, which may be unrealistic. Furthermore, existing manifold alignment methods are not suited for cases where the data contains domain-specific regions, i.e., there is not a counterpart for a certain portion of the data in the other domain. We propose Diffusion Transport Alignment (DTA), a semi-supervised manifold alignment method that exploits prior correspondence knowledge between only a few points to align the domains. By building a diffusion process, DTA finds a transportation plan between data measured from two heterogeneous domains with different feature spaces, which by assumption, share a similar geometrical structure coming from the same underlying data generating process. DTA can also compute a partial alignment in a data-driven fashion, resulting in accurate alignments when some data are measured in only one domain. We empirically demonstrate that DTA outperforms other methods in aligning multimodal data in this semisupervised setting. We also empirically show that the alignment obtained by DTA can improve the performance of machine learning tasks, such as domain adaptation, inter-domain feature mapping, and exploratory data analysis, while outperforming competing methods.
• Abstract（参考訳）: マルチモーダルデータの統合は、異なる機器や条件による与えられた現象の研究が異なるが関連する領域を生成する場合の課題である。 多くの既存のデータ統合手法は、データセット全体のドメイン間の既知の1対1の対応を仮定している。 さらに、既存の多様体アライメント法は、データがドメイン固有の領域を含む場合、すなわち、他の領域内のデータの特定の部分に対応するものは存在しない場合に適している。 領域を整合させるために,数点間の先行対応知識を利用する半教師付き多様体アライメント手法である拡散輸送アライメント(DTA)を提案する。 拡散過程を構築することで、DTAは異なる特徴空間を持つ2つの異種領域から測定されたデータ間の輸送計画を見つけ、仮定として、同じ基礎となるデータ生成プロセスから得られる同様の幾何学的構造を共有する。 DTAはまた、データ駆動方式で部分的なアライメントを計算することができ、あるデータが1つのドメインでのみ測定されたときに正確なアライメントをもたらす。 我々は、DTAが、この半教師付き環境でのマルチモーダルデータの整合性において、他の手法よりも優れていることを実証的に示す。 また,dtaが獲得したアライメントによって,ドメイン適応,ドメイン間特徴マッピング,探索的データ解析などの機械学習タスクのパフォーマンスが向上し,競合する手法を上回っていることを示す。

関連論文リスト

• Graph Integration for Diffusion-Based Manifold Alignment [0.0]
  マルチモーダルデータ統合は、単一ソースデータと比較して情報コンテンツを豊かにすることができる。 マニフォールドアライメント(Manifold alignment)は、複数のデータソースの共有低次元表現を求めるデータ統合の一形態である。 本稿では,2つの半教師付き多様体アライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:43:44Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Manifold Alignment with Label Information [9.742277703732187]
  MALI (Manifold alignment with label information) は、2つの異なるドメイン間の対応を学習する。 我々は,MALIが複数のデータセットにまたがって現在最先端の多様体アライメント手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:32:29Z)
• Unsupervised Manifold Alignment with Joint Multidimensional Scaling [4.683612295430957]
  2つの異なる領域からのデータセットを共通の低次元ユークリッド空間にマッピングする関節多次元スケーリングを導入する。 本稿では,多次元スケーリング(MDS)とワッサーシュタイン・プロクリスト解析を共同最適化問題に統合する。 提案手法の有効性を,2つのデータセットの同時可視化,教師なし不均一領域適応,グラフマッチング,タンパク質構造アライメントなど,いくつかのアプリケーションで実証した。
  論文  参考訳（メタデータ） (2022-07-06T21:02:42Z)
• Instrumental Variable-Driven Domain Generalization with Unobserved Confounders [53.735614014067394]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインから、目に見えないターゲットドメインをうまく一般化できるモデルを学ぶことを目的としている。 観測不能な共同創設者のバイアスを2段階学習で除去し,インストゥルメンタル変数駆動型DG法(IV-DG)を提案する。 第1段階では、あるドメインの入力特徴の条件分布を他のドメインの入力特徴の条件分布として学習する。 第2段階では,ラベルと学習条件分布の関係を推定する。
  論文  参考訳（メタデータ） (2021-10-04T13:32:57Z)
• Vector-Decomposed Disentanglement for Domain-Invariant Object Detection [75.64299762397268]
  ドメイン固有の表現からドメイン不変表現を取り除こうとする。 実験では,本手法を単目的,複目的のケースで評価した。
  論文  参考訳（メタデータ） (2021-08-15T07:58:59Z)
• Manifold Partition Discriminant Analysis [42.11470531267327]
  本稿では,MPDA (Manifold Partition Discriminant Analysis) という,ディメンタリティ低減のための新しいアルゴリズムを提案する。 これは、データ多様体の局所的変動と一致する方向に沿ってクラス内類似性が達成される線形埋め込み空間を見つけることを目的としている。 MPDAは接空間の接続を明示的にパラメータ化し、データ多様体を断片的に表現する。
  論文  参考訳（メタデータ） (2020-11-23T16:33:23Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Unified Multi-Domain Learning and Data Imputation using Adversarial Autoencoder [5.933303832684138]
  マルチドメイン学習(MDL)、データ計算(DI)、マルチタスク学習(MTL)を組み合わせた新しいフレームワークを提案する。 本手法のコアとなるのは,(1)ドメイン間の差を小さくするためにドメイン不変な埋め込みを生成すること,(2)各ドメインのデータ分布を学習し,欠落データに対するデータ計算を正しく行うこと,である。
  論文  参考訳（メタデータ） (2020-03-15T19:55:07Z)
• Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
  マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。 複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。 4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-12T08:37:42Z)

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。