論文の概要: A Unified Causal View of Domain Invariant Representation Learning

• arxiv url: http://arxiv.org/abs/2208.06987v2
• Date: Tue, 16 Aug 2022 02:17:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-17 10:23:46.625820
• Title: A Unified Causal View of Domain Invariant Representation Learning
• Title（参考訳）: ドメイン不変表現学習の統一因果的視点
• Authors: Zihao Wang and Victor Veitch
• Abstract要約: トレーニング対象のドメインと異なるドメインにデプロイされた場合、マシンラーニングメソッドは信頼性が低い。 本稿では,異なる手法が相互にどのように関係し,それぞれの成功を期待する現実的状況を明らかにする。
• 参考スコア（独自算出の注目度）: 19.197022592928164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning methods can be unreliable when deployed in domains that differ from the domains on which they were trained. To address this, we may wish to learn representations of data that are domain-invariant in the sense that we preserve data structure that is stable across domains, but throw out spuriously-varying parts. There are many representation-learning approaches of this type, including methods based on data augmentation, distributional invariances, and risk invariance. Unfortunately, when faced with any particular real-world domain shift, it is unclear which, if any, of these methods might be expected to work. The purpose of this paper is to show how the different methods relate to each other, and clarify the real-world circumstances under which each is expected to succeed. The key tool is a new notion of domain shift relying on the idea that causal relationships are invariant, but non-causal relationships (e.g., due to confounding) may vary.
• Abstract（参考訳）: トレーニングされたドメインと異なるドメインにデプロイされた場合、機械学習のメソッドは信頼性に欠ける。 これに対処するために、我々は、ドメイン間で安定したデータ構造を保存するが、散発的に不安定な部分を捨てるという意味で、ドメイン不変なデータの表現を学ぼうとするかもしれない。 このタイプの表現学習には、データ拡張に基づく方法、分布不変性、リスク不変性など多くの方法がある。 残念ながら、特定の現実世界のドメインシフトに直面している場合、これらのメソッドのどれが機能するかは明らかではない。 本研究の目的は,異なる手法が相互にどのように関係しているかを示し,それぞれの成功を期待する現実的状況を明らかにすることである。 鍵となるツールは、因果関係が不変であるという考えに依存する新しいドメインシフトの概念であるが、非因果関係(例えば、結合によって)は異なる可能性がある。

関連論文リスト

• Cross-Domain Policy Adaptation by Capturing Representation Mismatch [53.087413751430255]
  強化学習(RL)において、動的に異なる領域に移行できる効果的な政策を学ぶことが不可欠である。 本稿では、ソースドメインとターゲットドメインとの間に動的ミスマッチが存在する場合の動的適応設定について考察する。 対象領域でのみ表現学習を行い、ソース領域からの遷移における表現偏差を測定する。
  論文  参考訳（メタデータ） (2024-05-24T09:06:12Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Multi-Domain Long-Tailed Learning by Augmenting Disentangled Representations [80.76164484820818]
  多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。 本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。 TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
  論文  参考訳（メタデータ） (2022-10-25T21:54:26Z)
• Invariant and Transportable Representations for Anti-Causal Domain Shifts [18.530198688722752]
  我々は、ドメインの共有因果構造を利用して、不変な予測子を許容し、新しいドメインに迅速に適応できる表現を学ぶ方法を示す。 合成データと実世界のデータの両方を用いた実験により,提案アルゴリズムの有効性が示された。
  論文  参考訳（メタデータ） (2022-07-04T17:36:49Z)
• FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
  フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。 本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。 これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
  論文  参考訳（メタデータ） (2022-05-19T03:32:03Z)
• Against Adversarial Learning: Naturally Distinguish Known and Unknown in Open Set Domain Adaptation [17.819949636876018]
  オープンセットドメイン適応は、ターゲットドメインがソースドメインに存在しないカテゴリを含むというシナリオを指す。 本研究では,未知のターゲットデータと未知のデータとを自然に識別できる「逆学習」手法を提案する。 実験結果から,提案手法はいくつかの最先端手法と比較して性能を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-11-04T10:30:43Z)
• Respecting Domain Relations: Hypothesis Invariance for Domain Generalization [30.14312814723027]
  ドメインの一般化では、トレーニング中に複数のラベル付き非独立および非独立に分散されたソースドメインが利用可能である。 現在、いわゆるドメイン不変表現(DIR)を学ぶことは、ドメインの一般化に対する一般的なアプローチである。
  論文  参考訳（メタデータ） (2020-10-15T08:26:08Z)
• Domain Agnostic Learning for Unbiased Authentication [47.85174796247398]
  ドメインラベルなしでドメインの差分を除去するドメインに依存しない手法を提案する。 潜伏領域は入力と出力の間の不均一な予測関係を学習することによって発見される。 提案手法をメタラーニングフレームワークに拡張し,ドメイン差分除去をより徹底的に進める。
  論文  参考訳（メタデータ） (2020-10-11T14:05:16Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)

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。