Fugu-MT 論文翻訳(概要): Benchmarking Validation Methods for Unsupervised Domain Adaptation

論文の概要: Benchmarking Validation Methods for Unsupervised Domain Adaptation

arxiv url: http://arxiv.org/abs/2208.07360v1
Date: Mon, 15 Aug 2022 17:55:26 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 13:20:55.271882
Title: Benchmarking Validation Methods for Unsupervised Domain Adaptation
Title（参考訳）: 教師なしドメイン適応のためのベンチマーク検証手法
Authors: Kevin Musgrave, Serge Belongie, Ser-Nam Lim
Abstract要約: 本稿では,11種類のUDA検証手法を比較し,ランク付けする。バリデータはモデルの精度を推定し、任意のUDAトレインテストパイプラインに不可欠なコンポーネントとなる。
参考スコア（独自算出の注目度）: 37.03614011735927
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper compares and ranks 11 UDA validation methods. Validators estimate model accuracy, which makes them an essential component of any UDA train-test pipeline. We rank these validators to indicate which of them are most useful for the purpose of selecting optimal models, checkpoints, and hyperparameters. In addition, we propose and compare new effective validators and significantly improved versions of existing validators. To the best of our knowledge, this large-scale benchmark study is the first of its kind in the UDA field.
Abstract（参考訳）: 本稿では,11種類のUDA検証手法を比較し,ランク付けする。バリデータはモデルの精度を推定し、任意のUDAトレインテストパイプラインに不可欠なコンポーネントとなる。最適なモデル、チェックポイント、ハイパーパラメータを選択するのに最も有用であることを示すために、これらのバリデーターをランク付けする。さらに,新しい有効検証器と既存検証器の大幅な改良版の提案と比較を行った。私たちの知る限りでは、この大規模なベンチマーク研究は、UDA分野における最初のものである。

関連論文リスト

Crafting Distribution Shifts for Validation and Training in Single Source Domain Generalization [9.323285246024518]
単一ソースドメインの一般化は、ソースドメインのモデルを学習し、未確認のターゲットドメインにデプロイしようとする。トレーニング分布に対する検証の標準的な実践は、モデルの一般化能力を正確に反映していない。我々は、拡張の包括的リストでソースドメインイメージを変換することで、独立した検証セットを構築する。
論文参考訳（メタデータ） (2024-09-29T20:52:50Z)
SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation [55.87169702896249]
Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。本稿では,DA手法の評価と,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの公平な評価を行うフレームワークを提案する。本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
論文参考訳（メタデータ） (2024-07-16T12:52:29Z)
Better Practices for Domain Adaptation [62.70267990659201]
ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。 DAの明確な検証プロトコルは、文献の悪い実践につながっている。ドメイン適応手法の3つの分野にまたがる課題を示す。
論文参考訳（メタデータ） (2023-09-07T17:44:18Z)
A Study of Unsupervised Evaluation Metrics for Practical and Automatic Domain Adaptation [15.728090002818963]
教師なしドメイン適応(UDA)メソッドは、ラベルなしでターゲットドメインへのモデル転送を容易にする。本稿では,対象の検証ラベルにアクセスすることなく,移動モデルの品質を評価できる評価指標を見つけることを目的とする。
論文参考訳（メタデータ） (2023-08-01T05:01:05Z)
Rethinking the Setting of Semi-supervised Learning on Graphs [29.5439965223]
グラフ上の半教師付き学習の現在の設定は、不公平な比較をもたらすかもしれないと論じる。本稿では,検証セット内のラベル情報を完全に活用するアプローチであるValidUtilを提案する。
論文参考訳（メタデータ） (2022-05-28T11:31:19Z)
On the Limits of Evaluating Embodied Agent Model Generalization Using Validation Sets [101.28658250723804]
本稿では,より広い視野を効果的に活用し,次のステップでナビゲーションや操作を行うかを選択するモジュールによるトランスフォーマーモデルの拡張実験を行う。提案したモジュールは改良され,実際に,一般的なベンチマークデータセットであるALFREDの未確認検証セット上での最先端のパフォーマンスが向上した。この結果は、機械学習タスクではより広い現象かもしれないが、主にテストスプリットの評価を制限するベンチマークでのみ顕著である、と我々は考えているので強調する。
論文参考訳（メタデータ） (2022-05-18T23:52:21Z)
Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
論文参考訳（メタデータ） (2021-08-24T17:41:45Z)
Robustness of Accuracy Metric and its Inspirations in Learning with Noisy Labels [51.66448070984615]
十分な数の雑音サンプルに対してトレーニング精度を最大化すると,ほぼ最適な分類器が得られることを示す。検証のために、ノイズの多い検証セットが信頼できることを証明し、モデル選択のクリティカルな要求に対処する。理論結果に動機づけられて,ノイズラベルをトレーニングしたモデルの特徴付けを行い,ノイズ検証セットの有用性を検証する。
論文参考訳（メタデータ） (2020-12-08T03:37:47Z)

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。