Fugu-MT 論文翻訳(概要): Multi-step domain adaptation by adversarial attack to $\mathcal{H} \Delta \mathcal{H}$-divergence

論文の概要: Multi-step domain adaptation by adversarial attack to $\mathcal{H} \Delta \mathcal{H}$-divergence

arxiv url: http://arxiv.org/abs/2207.08948v1
Date: Mon, 18 Jul 2022 21:24:05 GMT
ステータス: 処理完了
システム内更新日: 2022-07-20 13:31:19.493305
Title: Multi-step domain adaptation by adversarial attack to $\mathcal{H} \Delta \mathcal{H}$-divergence
Title（参考訳）: $\mathcal{H} \Delta \mathcal{H}$-divergenceへの逆攻撃による多段階領域適応
Authors: Arip Asadulaev, Alexander Panfilov, Andrey Filchenkov
Abstract要約: 教師なしのドメイン適応設定では、対象ドメインのソース精度を向上させるために、ソースドメインを逆例に置き換えることが示される。我々は、様々な実験を行い、DigitsとOffice-Homeデータセットの精度を向上した。
参考スコア（独自算出の注目度）: 73.89838982331453
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adversarial examples are transferable between different models. In our paper, we propose to use this property for multi-step domain adaptation. In unsupervised domain adaptation settings, we demonstrate that replacing the source domain with adversarial examples to $\mathcal{H} \Delta \mathcal{H}$-divergence can improve source classifier accuracy on the target domain. Our method can be connected to most domain adaptation techniques. We conducted a range of experiments and achieved improvement in accuracy on Digits and Office-Home datasets.
Abstract（参考訳）: 逆例は異なるモデル間で転送可能である。本稿では,この特性を多段階領域適応に利用することを提案する。教師なしドメイン適応設定では、ソースドメインを逆の例に置き換えて$\mathcal{h} \delta \mathcal{h}$-divergenceがターゲットドメインのソース分類精度を向上させることを実証する。提案手法は,ほとんどのドメイン適応手法と接続可能である。様々な実験を行い,digits と office-home データセットの精度の向上を達成した。

関連論文リスト

Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文参考訳（メタデータ） (2023-11-21T13:12:21Z)
Improving Domain Generalization with Domain Relations [77.63345406973097]
本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
論文参考訳（メタデータ） (2023-02-06T08:11:16Z)
Domain Adaptation for Time-Series Classification to Mitigate Covariate Shift [3.071136270246468]
本稿では,2つのステップに基づいた新しいドメイン適応手法を提案する。まず、いくつかのサンプルから、ソースからターゲットドメインへの最適なクラス依存変換を探索する。次に、埋め込み類似性技術を用いて、推論時に対応する変換を選択する。
論文参考訳（メタデータ） (2022-04-07T10:27:14Z)
Multiple-Source Domain Adaptation via Coordinated Domain Encoders and Paired Classifiers [1.52292571922932]
ドメインシフトの下でのテキスト分類の新しいモデルを提案する。更新表現を利用して、ドメインエンコーダを動的に統合する。また、ターゲットドメインのエラー率を推測するために確率モデルも採用している。
論文参考訳（メタデータ） (2022-01-28T00:50:01Z)
Domain-shift adaptation via linear transformations [11.541238742226199]
ソースドメイン(A)のデータから学習した予測子$f_Aは、分布が異なる場合、ターゲットドメイン(B)上で正確でない可能性がある。ソースとターゲットドメインを低次元の共通空間に投影する手法を提案する。シミュレーションデータと二進数分類タスクにおけるアプローチの有効性を示し、データのドメインシフトを補正する際の精度を最大48%向上させる。
論文参考訳（メタデータ） (2022-01-14T02:49:03Z)
T-SVDNet: Exploring High-Order Prototypical Correlations for Multi-Source Domain Adaptation [41.356774580308986]
マルチソースドメイン適応の課題に対処するために,T-SVDNetという新しい手法を提案する。複数のドメインとカテゴリの高次相関は、ドメインギャップを埋めるため、完全に検討されている。ノイズ源データによる負の伝達を回避するため,新しい不確実性を考慮した重み付け手法を提案する。
論文参考訳（メタデータ） (2021-07-30T06:33:05Z)
Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文参考訳（メタデータ） (2021-04-03T01:33:14Z)
Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation [88.86865069583149]
Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。 RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
論文参考訳（メタデータ） (2021-03-22T08:32:55Z)
FixBi: Bridging Domain Spaces for Unsupervised Domain Adaptation [26.929772844572213]
我々は、ソースとターゲットドメイン間の複数の中間ドメインを拡大するために、固定比に基づくミックスアップを導入する。我々は、相補的な特性を持つソース支配モデルとターゲット支配モデルを訓練する。提案手法により,モデルが対象ドメインに徐々にドメイン知識を伝達する。
論文参考訳（メタデータ） (2020-11-18T11:58:19Z)
Multi-Source Domain Adaptation for Text Classification via DistanceNet-Bandits [101.68525259222164]
本研究では,NLPタスクのコンテキストにおいて,サンプル推定に基づく領域間の相違を特徴付ける様々な距離ベース尺度について検討する。タスクの損失関数と協調して最小化するために,これらの距離測度を付加的な損失関数として用いるディスタンスネットモデルを開発した。マルチアーム・バンド・コントローラを用いて複数のソース・ドメインを動的に切り替えるDistanceNet-Banditモデルに拡張する。
論文参考訳（メタデータ） (2020-01-13T15:53:41Z)

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。