論文の概要: Towards Adaptive Unknown Authentication for Universal Domain Adaptation by Classifier Paradox

• arxiv url: http://arxiv.org/abs/2207.04494v1
• Date: Sun, 10 Jul 2022 15:58:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 14:59:20.533338
• Title: Towards Adaptive Unknown Authentication for Universal Domain Adaptation by Classifier Paradox
• Title（参考訳）: クラス化パラドックスによるUniversal Domain Adaptationのための適応的未知認証に向けて
• Authors: Yunyun Wang, Yao Liu, Songcan Chen
• Abstract要約: パラドックス(UACP)による適応的未知認証を用いた新しいUniDA法を提案する。 UACPでは、複合分類器を2種類の予測器で共同設計する。つまり、マルチクラス(MC)予測器は、サンプルを複数のソースクラスのいずれかに分類し、バイナリ1-vs-all(OVA)予測器は、MC予測器による予測をさらに検証する。 検証失敗またはパラドックスのサンプルは未知のものとして同定され、実験結果がUACPをオープンセットとユニバーサルUDA設定の両方で検証する。
• 参考スコア（独自算出の注目度）: 26.411853573816465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Universal domain adaptation (UniDA) is a general unsupervised domain adaptation setting, which addresses both domain and label shifts in adaptation. Its main challenge lies in how to identify target samples in unshared or unknown classes. Previous methods commonly strive to depict sample "confidence" along with a threshold for rejecting unknowns, and align feature distributions of shared classes across domains. However, it is still hard to pre-specify a "confidence" criterion and threshold which are adaptive to various real tasks, and a mis-prediction of unknowns further incurs misalignment of features in shared classes. In this paper, we propose a new UniDA method with adaptive Unknown Authentication by Classifier Paradox (UACP), considering that samples with paradoxical predictions are probably unknowns belonging to none of the source classes. In UACP, a composite classifier is jointly designed with two types of predictors. That is, a multi-class (MC) predictor classifies samples to one of the multiple source classes, while a binary one-vs-all (OVA) predictor further verifies the prediction by MC predictor. Samples with verification failure or paradox are identified as unknowns. Further, instead of feature alignment for shared classes, implicit domain alignment is conducted in output space such that samples across domains share the same decision boundary, though with feature discrepancy. Empirical results validate UACP under both open-set and universal UDA settings.
• Abstract（参考訳）: ユニバーサルドメイン適応(UniDA)は、一般的な教師なしドメイン適応設定であり、適応におけるドメインシフトとラベルシフトの両方に対処する。 主な課題は、未共有または未知のクラスでターゲットサンプルを識別する方法である。 従来の手法では、サンプルの"信条"を未知を拒絶するしきい値と共に記述し、ドメイン間で共有クラスの特徴分布を調整しようと試みていた。 しかし、様々な実タスクに適応する「信頼」基準としきい値の事前指定は依然として困難であり、未知の予測は共有クラスにおける特徴の誤調整をさらに引き起こす。 本稿では、パラドックス予測を持つサンプルが、おそらくソースクラスに属さない未知であると考えられることを考慮し、分類パラドックス(uacp)による適応的未知認証を持つ新しいunida法を提案する。 UACPでは、複合分類器は2種類の予測器で共同設計される。 すなわち、マルチクラス(mc)予測器はサンプルを複数のソースクラスのいずれかに分類し、バイナリのone-vs-all(ova)予測器はmc予測器による予測をさらに検証する。 検証失敗やパラドックスのあるサンプルは未知である。 さらに、共有クラスの機能アライメントの代わりに、暗黙的なドメインアライメントが出力空間で行われ、ドメイン間のサンプルは同じ決定境界を共有する。 UACPはオープンセットとユニバーサルUDA設定の両方で検証される。

関連論文リスト

• Generalizable Decision Boundaries: Dualistic Meta-Learning for Open Set Domain Generalization [27.027034515404175]
  We propose a novel framework called dualistic Meta-learning with joint DomaIn-Class matching (MEDIC)。 その結果、MEDICはオープンセットのシナリオにおいて従来の手法よりも優れるだけでなく、競合するクローズドセットの一般化能力も同時に維持することを示した。
  論文  参考訳（メタデータ） (2023-08-18T08:46:02Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく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） (2023-03-10T14:11:09Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Unified Optimal Transport Framework for Universal Domain Adaptation [27.860165056943796]
  Universal Domain Adaptation (UniDA) は、ソースドメインからターゲットドメインに、ラベルセットに制約を加えることなく知識を転送することを目的としている。 既存のほとんどの手法では、共通サンプルを検出するために手動で指定または手動のしきい値を必要とする。 我々は、これらの問題を統一されたフレームワーク、すなわちUniOTで処理するために、最適なトランスポート(OT)を提案する。
  論文  参考訳（メタデータ） (2022-10-31T05:07:09Z)
• Provably Uncertainty-Guided Universal Domain Adaptation [34.76381510773768]
  ユニバーサルドメイン適応(UniDA)は、ラベル付きソースドメインからラベルなし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る。 UniDAの主な課題は、識別不能なラベルセットが2つのドメイン間のミスアライメントを引き起こすことである。 潜在空間における対象サンプルの分布を利用した新しい不確実性誘導型UniDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-19T09:16:07Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• 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)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。