論文の概要: Discovering Domain Disentanglement for Generalized Multi-source Domain Adaptation

• arxiv url: http://arxiv.org/abs/2207.05070v1
• Date: Mon, 11 Jul 2022 04:33:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 13:02:35.093835
• Title: Discovering Domain Disentanglement for Generalized Multi-source Domain Adaptation
• Title（参考訳）: 汎用マルチソースドメイン適応のための領域ディスタングルの発見
• Authors: Zixin Wang, Yadan Luo, Peng-Fei Zhang, Sen Wang, Zi Huang
• Abstract要約: 典型的なマルチソースドメイン適応(MSDA)アプローチは、ラベル付きソースドメインから学習した知識を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る。 本稿では、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立性を奨励する変動型ドメイン・アンタングルメント(VDD)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 48.02978226737235
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A typical multi-source domain adaptation (MSDA) approach aims to transfer knowledge learned from a set of labeled source domains, to an unlabeled target domain. Nevertheless, prior works strictly assume that each source domain shares the identical group of classes with the target domain, which could hardly be guaranteed as the target label space is not observable. In this paper, we consider a more versatile setting of MSDA, namely Generalized Multi-source Domain Adaptation, wherein the source domains are partially overlapped, and the target domain is allowed to contain novel categories that are not presented in any source domains. This new setting is more elusive than any existing domain adaptation protocols due to the coexistence of the domain and category shifts across the source and target domains. To address this issue, we propose a variational domain disentanglement (VDD) framework, which decomposes the domain representations and semantic features for each instance by encouraging dimension-wise independence. To identify the target samples of unknown classes, we leverage online pseudo labeling, which assigns the pseudo-labels to unlabeled target data based on the confidence scores. Quantitative and qualitative experiments conducted on two benchmark datasets demonstrate the validity of the proposed framework.
• Abstract（参考訳）: 典型的なマルチソースドメイン適応(MSDA)アプローチは、ラベル付きソースドメインから学習した知識を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る。 それにもかかわらず、以前の研究は、各ソースドメインがターゲットドメインと同一のクラスのグループを共有していると厳密に仮定しており、ターゲットラベル空間が観測不可能であるため、ほとんど保証できない。 本稿では、より汎用的なMSDA(Generalized Multi-source Domain Adaptation)について考察し、ソースドメインは部分的に重複しており、ターゲットドメインは任意のソースドメインに表示されない新しいカテゴリを含むことができる。 この新たな設定は、ドメインの共存と、ソースとターゲットドメイン間のカテゴリシフトにより、既存のドメイン適応プロトコルよりも明らかになっています。 この問題に対処するために、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立を奨励する変分ドメイン・アンタングルメント(VDD)フレームワークを提案する。 未知クラスのターゲットサンプルを識別するために,信頼度スコアに基づいて擬似ラベルを未ラベルのターゲットデータに割り当てるオンライン擬似ラベリングを利用する。 2つのベンチマークデータセット上で行われた定量的および定性的な実験は、提案フレームワークの有効性を示す。

関連論文リスト

• Unsupervised Domain Adaptation for Extra Features in the Target Domain Using Optimal Transport [3.6042575355093907]
  ほとんどの領域適応法は、ソースとターゲットドメインは同じ次元を持つと仮定する。 本稿では,両領域に共通する特徴と,対象領域に付加的な(新たな)特徴が観察されることを仮定する。 共通特徴の均一性を活用するために、これらのソースとターゲットドメイン間の適応を最適な輸送問題として定式化する。
  論文  参考訳（メタデータ） (2022-09-10T04:35:58Z)
• Making the Best of Both Worlds: A Domain-Oriented Transformer for Unsupervised Domain Adaptation [31.150256154504696]
  Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。 ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。 本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:38:37Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Aligning Domain-specific Distribution and Classifier for Cross-domain Classification from Multiple Sources [25.204055330850164]
  教師なしドメイン適応のための2つのアライメントステージを持つ新しいフレームワークを提案する。 本手法は画像分類のための一般的なベンチマークデータセットにおいて顕著な結果が得られる。
  論文  参考訳（メタデータ） (2022-01-04T06:35:11Z)
• Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification [57.92800886719651]
  近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。 MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。 本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:29:27Z)
• 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)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。