論文の概要: Label-Efficient Domain Generalization via Collaborative Exploration and Generalization

• arxiv url: http://arxiv.org/abs/2208.03644v1
• Date: Sun, 7 Aug 2022 05:34:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 13:19:50.657032
• Title: Label-Efficient Domain Generalization via Collaborative Exploration and Generalization
• Title（参考訳）: 協調探索と一般化によるラベル効率ドメイン一般化
• Authors: Junkun Yuan, Xu Ma, Defang Chen, Kun Kuang, Fei Wu, Lanfen Lin
• Abstract要約: 本稿では,ラベル制限されたソースドメインを用いたモデル一般化を実現するために,ラベル効率のよいドメイン一般化(LEDG)を提案する。 本稿では,活発な探索と半教師付き一般化を共同で最適化する,共同探索・一般化(CEG)と呼ばれる新しい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）: 28.573872986524794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Considerable progress has been made in domain generalization (DG) which aims to learn a generalizable model from multiple well-annotated source domains to unknown target domains. However, it can be prohibitively expensive to obtain sufficient annotation for source datasets in many real scenarios. To escape from the dilemma between domain generalization and annotation costs, in this paper, we introduce a novel task named label-efficient domain generalization (LEDG) to enable model generalization with label-limited source domains. To address this challenging task, we propose a novel framework called Collaborative Exploration and Generalization (CEG) which jointly optimizes active exploration and semi-supervised generalization. Specifically, in active exploration, to explore class and domain discriminability while avoiding information divergence and redundancy, we query the labels of the samples with the highest overall ranking of class uncertainty, domain representativeness, and information diversity. In semi-supervised generalization, we design MixUp-based intra- and inter-domain knowledge augmentation to expand domain knowledge and generalize domain invariance. We unify active exploration and semi-supervised generalization in a collaborative way and promote mutual enhancement between them, boosting model generalization with limited annotation. Extensive experiments show that CEG yields superior generalization performance. In particular, CEG can even use only 5% data annotation budget to achieve competitive results compared to the previous DG methods with fully labeled data on PACS dataset.
• Abstract（参考訳）: 複数の注釈付きソースドメインから未知のターゲットドメインへの一般化可能なモデルを学習することを目的としたドメイン一般化(DG)において、考慮すべき進歩がなされている。 しかし、多くの実際のシナリオでソースデータセットに十分なアノテーションを得ることは、非常に高価である。 本稿では、ドメインの一般化とアノテーションコストのジレンマから逃れるために、ラベル制限されたソースドメインによるモデル一般化を実現するためのラベル効率ドメイン一般化(LEDG)という新しいタスクを導入する。 この課題に対処するために,能動探索と半教師付き一般化を共同で最適化する共同探索・一般化(CEG)と呼ばれる新しいフレームワークを提案する。 具体的には、情報ばらつきや冗長性を避けつつ、クラスとドメインの識別可能性を探究するために、クラス不確実性、ドメイン代表性、情報の多様性の総合的なランキングでサンプルのラベルを問い合わせる。 半教師付き一般化では、ドメイン知識を拡張しドメイン不変性を一般化するために、MixUpベースのドメイン内およびドメイン間知識拡張を設計する。 我々は,積極的な探索と半教師付き一般化を協調的に統合し,両者の相互強化を促進し,限定的なアノテーションでモデルの一般化を促進する。 広範な実験により、cegは優れた一般化性能をもたらすことが示されている。 特に、CEGは、PACSデータセットに完全にラベル付けされたデータを持つ以前のDGメソッドと比較して、競合的な結果を得るために、5%のデータアノテーション予算しか使用できない。

関連論文リスト

• Generalized Universal Domain Adaptation with Generative Flow Networks [76.1350941965148]
  Generalized Universal Domain Adaptationは、未知のカテゴリを含む全てのターゲットラベルの正確な予測を実現することを目的としている。 GUDAはラベル分布シフトベースとラベル空間ミスマッチベースとのギャップを埋める。 本稿では,報酬関数に比例した確率を持つ多種多様なサンプルを選択する,GFlowDAというドメイン適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-08T05:34:15Z)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Semi-Supervised Domain Generalization with Evolving Intermediate Domain [24.75184388536862]
  ドメインの一般化は、複数のソースドメインでトレーニングされたモデルを、目に見えないターゲットドメインに一般化することを目的としている。 半スーパーバイズド・ドメイン・ジェネリゼーション(Semi-Supervised Domain Generalization)と呼ばれる新しいDGパラダイムを導入する。 我々は,SSDGに対して,擬似ラベリングフェーズと一般化フェーズを独立に開発する。
  論文  参考訳（メタデータ） (2021-11-19T13:55:57Z)
• Better Pseudo-label: Joint Domain-aware Label and Dual-classifier for Semi-supervised Domain Generalization [26.255457629490135]
  本稿では,高品質な擬似ラベルを生成するために,共同ドメイン認識ラベルと二重分類器を用いた新しいフレームワークを提案する。 ドメインシフト中の正確な擬似ラベルを予測するために、ドメイン対応擬似ラベルモジュールを開発する。 また、一般化と擬似ラベルの矛盾した目標を考えると、訓練過程において擬似ラベルとドメインの一般化を独立に行うために二重分類器を用いる。
  論文  参考訳（メタデータ） (2021-10-10T15:17:27Z)
• Domain-Specific Bias Filtering for Single Labeled Domain Generalization [19.679447374738498]
  ドメインの一般化は、複数のラベル付きソースデータセットを使用して、目に見えないターゲットドメインに対して一般化可能なモデルをトレーニングする。 高価なアノテーションコストのため、すべてのソースデータのラベル付けの要件は、現実世界のアプリケーションでは満たされない。 本稿では,ドメイン固有バイアスをラベル付きソースデータでフィルタするDBF (Domain-Specific Bias Filtering) を提案する。
  論文  参考訳（メタデータ） (2021-10-02T05:08:01Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)

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。