論文の概要: DAPDAG: Domain Adaptation via Perturbed DAG Reconstruction
- arxiv url: http://arxiv.org/abs/2208.01373v1
- Date: Tue, 2 Aug 2022 11:43:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 12:45:45.179967
- Title: DAPDAG: Domain Adaptation via Perturbed DAG Reconstruction
- Title(参考訳): DAPDAG : 摂動DAG再建によるドメイン適応
- Authors: Yanke Li, Hatt Tobias, Ioana Bica, Mihaela van der Schaar
- Abstract要約: 本研究では,人口統計量の推定を行う自動エンコーダを学習し,有向非巡回グラフ(DAG)を補助的タスクとして再構築する。
基礎となるDAG構造は、条件分布が潜伏環境変数$E$によって導かれる領域間で変化することが許される観測変数の間で不変であると仮定される。
我々は、エンコーダとデコーダをエンドツーエンドで共同で訓練し、混合変数を用いた合成および実データセットの実験を行う。
- 参考スコア(独自算出の注目度): 78.76115370275733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Leveraging labelled data from multiple domains to enable prediction in
another domain without labels is a significant, yet challenging problem. To
address this problem, we introduce the framework DAPDAG (\textbf{D}omain
\textbf{A}daptation via \textbf{P}erturbed \textbf{DAG} Reconstruction) and
propose to learn an auto-encoder that undertakes inference on population
statistics given features and reconstructing a directed acyclic graph (DAG) as
an auxiliary task. The underlying DAG structure is assumed invariant among
observed variables whose conditional distributions are allowed to vary across
domains led by a latent environmental variable $E$. The encoder is designed to
serve as an inference device on $E$ while the decoder reconstructs each
observed variable conditioned on its graphical parents in the DAG and the
inferred $E$. We train the encoder and decoder jointly in an end-to-end manner
and conduct experiments on synthetic and real datasets with mixed variables.
Empirical results demonstrate that reconstructing the DAG benefits the
approximate inference. Furthermore, our approach can achieve competitive
performance against other benchmarks in prediction tasks, with better
adaptation ability, especially in the target domain significantly different
from the source domains.
- Abstract(参考訳): ラベルのない別のドメインで予測を可能にするために、複数のドメインからのラベル付きデータを活用することは、重要だが挑戦的な問題である。
この問題に対処するため, DAPDAG (\textbf{D}omain \textbf{A}daptation via \textbf{P}erturbed \textbf{DAG} Reconstruction) というフレームワークを導入し, 与えられた特徴を推測し, 有向非巡回グラフ(DAG)を補助タスクとして再構築する自動エンコーダを提案する。
基礎となるDAG構造は、条件分布が潜在環境変数$E$によって導かれる領域間で変化することを許される観測変数の間で不変であると仮定される。
エンコーダは$E$の推論デバイスとして機能するように設計されており、デコーダはDAGと推定$E$のグラフィカルな両親に条件付けられた各変数を再構成する。
エンコーダとデコーダをエンドツーエンドで共同で訓練し,混合変数を用いた合成および実データセット実験を行う。
実験の結果,DAGの再構成は近似推論に有効であることが示唆された。
さらに,提案手法は,特に対象領域がソース領域と大きく異なる場合において,予測タスクにおける他のベンチマークに対する競合性能を向上できる。
関連論文リスト
- Cross Domain Generative Augmentation: Domain Generalization with Latent
Diffusion Models [11.309433257851122]
Cross Domain Generative Augmentation (CDGA)は、すべてのドメイン間のギャップを埋めるために合成画像を生成する。
我々は,CDGAがDomainbedベンチマークでSOTA DG法より優れていることを示す。
論文 参考訳(メタデータ) (2023-12-08T21:52:00Z) - Structural transfer learning of non-Gaussian DAG [24.11895013147964]
直接非巡回グラフ(DAG)は、収集されたノードの集合間の方向関係を表現するために広く用いられている。
対象研究において、DAG構造を再構築するために、異種データをまとめる方法については、未解決の問題が残る。
本稿では,DAGの構造的類似度尺度を新たに導入し,DAG学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-16T10:01:27Z) - Structural Re-weighting Improves Graph Domain Adaptation [13.019371337183202]
本研究は,グラフ構造やノード属性による分散シフトの影響について検討する。
構造再重み付け(StruRW)と呼ばれる新しい手法がこの問題に対処するために提案され、合成グラフ、ベンチマークデータセット4つ、高エネルギー物理学における新しい応用についてテストされている。
論文 参考訳(メタデータ) (2023-06-05T20:11:30Z) - CAusal and collaborative proxy-tasKs lEarning for Semi-Supervised Domain
Adaptation [20.589323508870592]
半教師付きドメイン適応(SSDA)は、ソースドメインデータとラベル付きターゲットサンプルを効果的に活用することにより、学習者を新しいドメインに適応させる。
提案手法は,SSDAデータセットの有効性と汎用性の観点から,SOTA法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-30T16:48:28Z) - DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure
reconstruction from extremely small data sets [110.60233593474796]
DA-VEGANは2つの中心的なイノベーションを持つモデルである。
$beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。
このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
論文 参考訳(メタデータ) (2023-02-17T08:49:09Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳(メタデータ) (2021-12-06T03:35:21Z) - Environment Inference for Invariant Learning [9.63004099102596]
環境推論を組み込んだドメイン不変学習フレームワークであるEIILを提案する。
EIILは環境ラベルを使わずにCMNISTベンチマークの不変学習法より優れていることを示す。
また、EIILとアルゴリズムフェアネスの接続を確立することにより、公平な予測問題において、EIILは精度とキャリブレーションを改善することができる。
論文 参考訳(メタデータ) (2020-10-14T17:11:46Z) - Supervised Domain Adaptation: A Graph Embedding Perspective and a
Rectified Experimental Protocol [87.76993857713217]
本稿では、ソースとターゲットのドメインデータ間のペアワイズ関係を用いたドメイン適応法をグラフ埋め込みとして定式化できることを示す。
具体的には、既存の3つのSupervised Domain Adaptationメソッドの損失関数を分析し、グラフ埋め込みを行うことを示す。
論文 参考訳(メタデータ) (2020-04-23T15:46:20Z) - Self-Guided Adaptation: Progressive Representation Alignment for Domain
Adaptive Object Detection [86.69077525494106]
非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。
既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。
本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
論文 参考訳(メタデータ) (2020-03-19T13:30:45Z)
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。