論文の概要: Unknown-Aware Domain Adversarial Learning for Open-Set Domain Adaptation

• arxiv url: http://arxiv.org/abs/2206.07551v1
• Date: Wed, 15 Jun 2022 14:12:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 22:56:31.044043
• Title: Unknown-Aware Domain Adversarial Learning for Open-Set Domain Adaptation
• Title（参考訳）: オープンセットドメイン適応のための未知のドメイン反転学習
• Authors: JoonHo Jang, Byeonghu Na, DongHyeok Shin, Mingi Ji, Kyungwoo Song, Il-Chul Moon
• Abstract要約: オープンセットドメイン適応(Open-Set Domain Adaptation)は、ターゲットドメインが未知のクラスを含んでいると仮定する。 従来OSDA法は,テキスト型クラスのみを利用して,ソースとターゲット分布のマッチングに重点を置いてきた。 本研究では,未知のドメイン適応学習(UADAL)を提案する。
• 参考スコア（独自算出の注目度）: 24.509367962718237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-Set Domain Adaptation (OSDA) assumes that a target domain contains unknown classes, which are not discovered in a source domain. Existing domain adversarial learning methods are not suitable for OSDA because distribution matching with \textit{unknown} classes leads to the negative transfer. Previous OSDA methods have focused on matching the source and the target distribution by only utilizing \textit{known} classes. However, this \textit{known}-only matching may fail to learn the target-\textit{unknown} feature space. Therefore, we propose Unknown-Aware Domain Adversarial Learning (UADAL), which \textit{aligns} the source and the targe-\textit{known} distribution while simultaneously \textit{segregating} the target-\textit{unknown} distribution in the feature alignment procedure. We provide theoretical analyses on the optimized state of the proposed \textit{unknown-aware} feature alignment, so we can guarantee both \textit{alignment} and \textit{segregation} theoretically. Empirically, we evaluate UADAL on the benchmark datasets, which shows that UADAL outperforms other methods with better feature alignments by reporting the state-of-the-art performances.
• Abstract（参考訳）: open-set domain adaptation (osda) では、対象ドメインが未知のクラスを含んでいると仮定している。 既存のドメイン逆数学習法は, <textit{unknown} クラスとの分布マッチングが負の転送につながるため, OSDA には適さない。 これまでのOSDAメソッドは、textit{known}クラスのみを利用することで、ソースとターゲット分布のマッチングに重点を置いていた。 しかし、この \textit{known} のみのマッチングは、ターゲット-\textit{unknown} 機能空間を学習できない可能性がある。 そこで本稿では,Unknown-Aware Domain Adversarial Learning (UADAL)を提案する。これはソースとtarge-\textit{known}分布を同時に,特徴アライメント手順におけるターゲット-\textit{unknown}分布を抽出する。 提案した \textit{unknown-aware} 特徴アライメントの最適化状態に関する理論的解析を行い, 理論的には \textit{alignment} と \textit{segregation} の両方を保証できる。 実験的に,UADALをベンチマークデータセット上で評価したところ,UADALは最先端のパフォーマンスを報告することによって,他の手法よりも優れた機能アライメントを実現していることがわかった。

関連論文リスト

• Open-Set Domain Adaptation for Semantic Segmentation [6.3951361316638815]
  対象ドメインが未知のクラスを含むセマンティック(OSDA-SS)を初めて導入する。 これらの問題に対処するため,BUS を作成したBundary and Unknown Shape-Aware Open-set Domain adaptationを提案する。 我々のBUSは、新しい拡張浸食に基づくコントラスト損失を用いて、未知のクラスと未知のクラスの境界を正確に識別することができる。
  論文  参考訳（メタデータ） (2024-05-30T09:55:19Z)
• Make the U in UDA Matter: Invariant Consistency Learning for Unsupervised Domain Adaptation [86.61336696914447]
  ICON (Invariant Consistency Learning) の略。 我々は2つの領域に等しくの地位を与えることで、教師なしDAのUを作成することを提案する。 ICON は古典的な UDA ベンチマークである Office-Home と VisDA-2017 で最先端のパフォーマンスを実現し、挑戦的な WILDS 2.0 ベンチマークでは従来の方法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-22T09:43:32Z)
• Connect, Not Collapse: Explaining Contrastive Learning for Unsupervised Domain Adaptation [88.5448806952394]
  我々は、対象ドメインのラベル付きデータと対象ドメインのラベルなしデータを用いて、対象ドメインの分類器を学習する、教師なしドメイン適応(UDA)を考える。 ラベル付きソースとターゲットデータの特徴を学習し,ラベル付きソースデータに微調整を行うコントラスト事前学習は,強いUDA手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-04-01T16:56:26Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Open Set Domain Adaptation by Extreme Value Theory [22.826118321715455]
  ソースとターゲットラベル空間が部分的な重複のみを前提として、オープンセットのドメイン適応問題に取り組みます。 重み付けが既知のクラスに属するサンプルの可能性を示すドメイン適応のためのインスタンスレベルの重み付け戦略を提案する。 従来のドメイン適応データセットを用いた実験では,提案手法が最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-12-22T19:31:32Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
  本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。 対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。 テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
  論文  参考訳（メタデータ） (2020-08-04T16:20:37Z)
• Adversarial-Learned Loss for Domain Adaptation [37.13716214722436]
  本稿では,ALDA(Adversarial-Learned Loss for Domain Adaptation)という新しい手法を提案する。 学習した混乱行列から新たな損失関数が自動構築され、未ラベル対象サンプルの損失として機能する。 ALDAは4つの標準ドメイン適応データセットにおいて最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-01-04T06:24:44Z)

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。