論文の概要: ModSelect: Automatic Modality Selection for Synthetic-to-Real Domain
Generalization
- arxiv url: http://arxiv.org/abs/2208.09414v1
- Date: Fri, 19 Aug 2022 15:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-22 17:18:59.941885
- Title: ModSelect: Automatic Modality Selection for Synthetic-to-Real Domain
Generalization
- Title(参考訳): ModSelect:Synthetic-to-Real Domain Generalizationのための自動モダリティ選択
- Authors: Zdravko Marinov, Alina Roitberg, David Schneider, Rainer Stiefelhagen
- Abstract要約: そこで本研究では,基本トラスラベルを必要としない教師なしモダリティ選択法(ModSelect)を提案する。
提案手法は,肯定的な寄与を伴うモダリティのみを選択し,Synthetic-to-Realドメイン適応ベンチマークの性能を継続的に向上することを示す。
- 参考スコア(独自算出の注目度): 25.04517296731092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modality selection is an important step when designing multimodal systems,
especially in the case of cross-domain activity recognition as certain
modalities are more robust to domain shift than others. However, selecting only
the modalities which have a positive contribution requires a systematic
approach. We tackle this problem by proposing an unsupervised modality
selection method (ModSelect), which does not require any ground-truth labels.
We determine the correlation between the predictions of multiple unimodal
classifiers and the domain discrepancy between their embeddings. Then, we
systematically compute modality selection thresholds, which select only
modalities with a high correlation and low domain discrepancy. We show in our
experiments that our method ModSelect chooses only modalities with positive
contributions and consistently improves the performance on a Synthetic-to-Real
domain adaptation benchmark, narrowing the domain gap.
- Abstract(参考訳): モダリティ選択はマルチモーダルシステムの設計において重要なステップであり、特にクロスドメインアクティビティ認識の場合、特定のモダリティがドメインシフトに対して他のものよりも堅牢である。
しかし、正の貢献を持つモダリティのみを選択するには体系的なアプローチが必要となる。
本稿では,基底ラベルを必要としない教師なしモダリティ選択法(modselect)を提案する。
複数の単項分類器の予測値と埋め込みの領域差との相関関係について検討する。
そこで我々は,高い相関性と低領域差を有するモダリティのみを選択するモダリティ選択閾値を体系的に計算する。
提案手法は,肯定的な寄与を伴うモダリティのみを選択し,Synthetic-to-Realドメイン適応ベンチマークの性能を一貫して改善し,ドメインギャップを狭める。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳(メタデータ) (2024-09-04T14:36:20Z) - 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) - StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。
最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。
データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
論文 参考訳(メタデータ) (2024-06-01T02:41:34Z) - 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) - Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation [3.367755441623275]
マルチソースアン教師付きドメイン適応(MUDA)は、関連するソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。
アクティブマルチドメイン適応(D3AAMDA)のための動的ドメイン不一致適応法(Dynamic Domain Disrepancy Adjustment)を提案する。
このメカニズムは、ソースドメインとターゲットドメイン間の特徴のアライメントレベルを制御し、ソースドメイン内のローカルな有利な特徴情報を効果的に活用する。
論文 参考訳(メタデータ) (2023-07-26T09:40:19Z) - Loss-based Sequential Learning for Active Domain Adaptation [14.366263836801485]
本稿では,ドメインタイプ(ソース/ターゲット)とラベルネス(ラベル付き/ラベルなし)の両方を考慮した逐次学習を導入する。
我々のモデルは、様々なベンチマークデータセットのベースラインモデルと同様に、従来の手法よりも大幅に優れています。
論文 参考訳(メタデータ) (2022-04-25T14:00:04Z) - Maximizing Conditional Independence for Unsupervised Domain Adaptation [9.533515002375545]
本研究では,学習者をラベル付きソースドメインから,異なる分布を持つラベル付きターゲットドメインに転送する方法について検討する。
教師なしのドメイン適応に加えて、自然かつエレガントな方法でマルチソースシナリオにメソッドを拡張します。
論文 参考訳(メタデータ) (2022-03-07T08:59:21Z) - 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) - Cross-Domain Sentiment Classification with In-Domain Contrastive
Learning [38.08616968654886]
クロスドメイン感情分類のためのコントラスト学習フレームワークを提案する。
ドメイン内コントラスト学習とエントロピー最小化を導入する。
我々のモデルは標準ベンチマークで達成される。
論文 参考訳(メタデータ) (2020-12-05T03:48:32Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳(メタデータ) (2020-08-27T00:53:43Z)
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。