論文の概要: A Multi-stage Framework with Mean Subspace Computation and Recursive
Feedback for Online Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2207.00003v1
- Date: Fri, 24 Jun 2022 03:50:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-10 12:01:06.097592
- Title: A Multi-stage Framework with Mean Subspace Computation and Recursive
Feedback for Online Unsupervised Domain Adaptation
- Title（参考訳）: オンライン教師なしドメイン適応のための平均部分空間計算と再帰フィードバックを備えた多段階フレームワーク
- Authors: Jihoon Moon, Debasmit Das, C. S. George Lee
- Abstract要約: 本稿では,対象データがラベル付けされず,オンラインに連続してバッチで到着した場合に,現実の状況を解決するための新しいフレームワークを提案する。
提案手法では,ソースとターゲットドメインから共通部分空間にデータを投影し,投影したデータをリアルタイムに操作する手法を提案する。
提案フレームワークにおける各ステージの効果と寄与を詳細に調査するため,6つのデータセットの実験を行った。
- 参考スコア（独自算出の注目度）: 9.109788577327503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we address the Online Unsupervised Domain Adaptation (OUDA)
problem and propose a novel multi-stage framework to solve real-world
situations when the target data are unlabeled and arriving online sequentially
in batches. To project the data from the source and the target domains to a
common subspace and manipulate the projected data in real-time, our proposed
framework institutes a novel method, called an Incremental Computation of
Mean-Subspace (ICMS) technique, which computes an approximation of mean-target
subspace on a Grassmann manifold and is proven to be a close approximate to the
Karcher mean. Furthermore, the transformation matrix computed from the
mean-target subspace is applied to the next target data in the
recursive-feedback stage, aligning the target data closer to the source domain.
The computation of transformation matrix and the prediction of next-target
subspace leverage the performance of the recursive-feedback stage by
considering the cumulative temporal dependency among the flow of the target
subspace on the Grassmann manifold. The labels of the transformed target data
are predicted by the pre-trained source classifier, then the classifier is
updated by the transformed data and predicted labels. Extensive experiments on
six datasets were conducted to investigate in depth the effect and contribution
of each stage in our proposed framework and its performance over previous
approaches in terms of classification accuracy and computational speed. In
addition, the experiments on traditional manifold-based learning models and
neural-network-based learning models demonstrated the applicability of our
proposed framework for various types of learning models.
- Abstract（参考訳）: 本稿では,OUDA(Online Unsupervised Domain Adaptation)問題に対処し,ターゲットデータにラベルが付かず,バッチで順次オンラインに到達した場合に,現実の状況を解決するための新しい多段階フレームワークを提案する。
提案するフレームワークは,ソースとターゲットドメインから共通部分空間にデータを投影し,投影されたデータをリアルタイムで操作するために,カーチャー平均に近似した平均目標部分空間の近似を計算するICMS (Incrmental Computation of Mean-Subspace) と呼ばれる新しい手法を提案する。
さらに、平均目標部分空間から算出された変換行列を、再帰的フィードバックステージにおける次の目標データに適用し、対象データをソースドメインに近づける。
変換行列の計算と次目標部分空間の予測は、グラスマン多様体上の対象部分空間の流れの累積時間依存性を考慮して再帰的フィードバックステージの性能を活用する。
変換対象データのラベルは、事前訓練されたソース分類器によって予測され、変換されたデータと予測されたラベルによって分類器が更新される。
6つのデータセットに関する広範囲な実験を行い,提案手法における各ステージの効果と貢献度,その性能について,分類精度と計算速度の観点から検討した。
さらに,従来の多様体型学習モデルとニューラルネットワーク型学習モデルを用いた実験により,様々な学習モデルに対する提案フレームワークの適用性が示された。
関連論文リスト
- Stratified Domain Adaptation: A Progressive Self-Training Approach for Scene Text Recognition [1.2878987353423252]
シーンテキスト認識(STR)において、教師なしドメイン適応(UDA)がますます普及している。
本稿では,StrDA(Stratified Domain Adaptation)アプローチを導入し,学習プロセスにおける領域ギャップの段階的エスカレーションについて検討する。
本稿では,データサンプルの分布外および領域判別レベルを推定するために,領域判別器を用いる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-13T16:40:48Z) - Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。
このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。
我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-02-07T04:11:25Z) - 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) - Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。
ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。
我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
論文 参考訳（メタデータ） (2021-12-01T03:36:58Z) - Learning Neural Models for Natural Language Processing in the Face of
Distributional Shift [10.990447273771592]
特定のデータセットでひとつのタスクを実行するための強力な神経予測器をトレーニングするNLPのパラダイムが、さまざまなアプリケーションで最先端のパフォーマンスを実現している。
データ分布が定常である、すなわち、トレーニングとテストの時間の両方で、データは固定された分布からサンプリングされる、という仮定に基づいて構築される。
この方法でのトレーニングは、人間が絶えず変化する情報の流れの中で学習し、操作できる方法と矛盾する。
データ分散がモデル寿命の経過とともにシフトすることが期待される実世界のユースケースに不適応である。
論文 参考訳（メタデータ） (2021-09-03T14:29:20Z) - Graph Constrained Data Representation Learning for Human Motion
Segmentation [14.611777974037194]
本稿では,データの表現を学習し,データ自体からクラスタリング情報を掘り下げる新しい教師なしモデルを提案する。
HMSの4つのベンチマークデータセットによる実験結果から,我々の手法は,最先端手法によるクラスタリング性能を著しく向上することが示された。
論文 参考訳（メタデータ） (2021-07-28T13:49:16Z) - Gradual Domain Adaptation via Self-Training of Auxiliary Models [50.63206102072175]
ソースとターゲットドメイン間のギャップを増やすことで、ドメイン適応はより難しくなります。
中間領域のモデルを学習する補助モデル(AuxSelfTrain)の自己学習を提案する。
教師なしおよび半教師付きドメイン適応のベンチマークデータセットの実験は、その有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:15:25Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳（メタデータ） (2020-09-01T00:06:50Z) - BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。
既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。
この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
論文 参考訳（メタデータ） (2020-08-11T17:04:47Z) - Adversarial Weighting for Domain Adaptation in Regression [4.34858896385326]
制御ドメイン適応の文脈において、回帰タスクを処理するための新しいインスタンスベースのアプローチを提案する。
本研究では,情報源重み付け方式とタスクを1つのフィードフォワード勾配下で学習する逆ネットワークアルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-06-15T09:44:04Z) - Multi-step Online Unsupervised Domain Adaptation [10.312968200748116]
オンライン非教師付きドメイン適応問題に対する多段階フレームワークを提案する。
ユークリッド空間上の幾何学的解釈から着想を得た平均ターゲット部分空間を計算する。
平均目標部分空間から計算された変換行列を、前処理ステップとして次のターゲットデータに適用する。
論文 参考訳（メタデータ） (2020-02-20T18:26:02Z)
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。