論文の概要: Uncertainty-Induced Transferability Representation for Source-Free Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2208.13986v1
• Date: Tue, 30 Aug 2022 04:54:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:01:59.709840
• Title: Uncertainty-Induced Transferability Representation for Source-Free Unsupervised Domain Adaptation
• Title（参考訳）: ソースレス非教師付きドメイン適応のための不確かさ誘起トランスファービリティ表現
• Authors: Jiangbo Pei, Zhuqing Jiang, Aidong Men, Liang Chen, Yang Liu and Qingchao Chen
• Abstract要約: ソースフリーな教師なしドメイン適応(SFUDA)は、ラベルのないターゲットデータと、十分に訓練されたソースドメインモデルの知識を用いて、ターゲットドメインモデルを学習することを目的としている。 本稿では,不確実性に起因したトランスファービリティ表現(UTR)を提案し,その不確実性を利用してソースエンコーダのチャネルワイドトランスファービリティを解析する。
• 参考スコア（独自算出の注目度）: 15.76962579279531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source-free unsupervised domain adaptation (SFUDA) aims to learn a target domain model using unlabeled target data and the knowledge of a well-trained source domain model. Most previous SFUDA works focus on inferring semantics of target data based on the source knowledge. Without measuring the transferability of the source knowledge, these methods insufficiently exploit the source knowledge, and fail to identify the reliability of the inferred target semantics. However, existing transferability measurements require either source data or target labels, which are infeasible in SFUDA. To this end, firstly, we propose a novel Uncertainty-induced Transferability Representation (UTR), which leverages uncertainty as the tool to analyse the channel-wise transferability of the source encoder in the absence of the source data and target labels. The domain-level UTR unravels how transferable the encoder channels are to the target domain and the instance-level UTR characterizes the reliability of the inferred target semantics. Secondly, based on the UTR, we propose a novel Calibrated Adaption Framework (CAF) for SFUDA, including i)the source knowledge calibration module that guides the target model to learn the transferable source knowledge and discard the non-transferable one, and ii)the target semantics calibration module that calibrates the unreliable semantics. With the help of the calibrated source knowledge and the target semantics, the model adapts to the target domain safely and ultimately better. We verified the effectiveness of our method using experimental results and demonstrated that the proposed method achieves state-of-the-art performances on the three SFUDA benchmarks. Code is available at https://github.com/SPIresearch/UTR.
• Abstract（参考訳）: source-free unsupervised domain adaptation (sfuda)は、ラベルのないターゲットデータと十分に訓練されたソースドメインモデルの知識を使ってターゲットドメインモデルを学ぶことを目的としている。 これまでのSFUDAの作業は、ソース知識に基づいたターゲットデータのセマンティクスの推測に重点を置いていた。 ソース知識の転送可能性を測定することなく、これらの手法はソース知識を十分に活用せず、推定されたターゲットセマンティクスの信頼性の特定に失敗した。 しかし、既存の転送可能性の測定にはソースデータかターゲットラベルが必要です。 そこで,本研究では,まず,ソースデータと対象ラベルが存在しない場合に,ソースエンコーダのチャネル毎の転送可能性を分析するツールとして不確実性を利用する,新たな不確実性誘起転送可能性表現(utr)を提案する。 ドメインレベルの UTR は、エンコーダチャネルがターゲットドメインにどの程度転送可能かを明らかにし、インスタンスレベルの UTR は、推論されたターゲットセマンティクスの信頼性を特徴付ける。 第2に、UTRに基づくSFUDAのための新しいキャリブレーション適応フレームワーク(CAF)を提案する。 一 対象モデルを誘導し、転送可能なソース知識を学習し、転送不能なソース知識を廃棄するソース知識校正モジュール ii) 目的セマンティクスキャリブレーションモジュールは、信頼性の低いセマンティクスをキャリブレーションする。 キャリブレーションされたソース知識とターゲットセマンティクスの助けを借りて、モデルはターゲットドメインに安全かつ究極的には適応する。 実験結果を用いて本手法の有効性を検証し,提案手法が3つのSFUDAベンチマークの最先端性能を実現することを実証した。 コードはhttps://github.com/spiresearch/utrで入手できる。

関連論文リスト

• Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with Differentiable Expected Calibration Error [50.86671887712424]
  ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。 ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。 校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-06T03:28:34Z)
• Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
  クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。 本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。 提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
  論文  参考訳（メタデータ） (2023-08-01T15:37:19Z)
• Continual Source-Free Unsupervised Domain Adaptation [37.060694803551534]
  既存のソースフリーのUnsupervised Domain Adaptationアプローチは破滅的な忘れを見せる。 本稿では,SuDAの継続的な学習環境における課題に対応するための連続的なSUDA(C-SUDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-14T20:11:05Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連する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ます。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。