論文の概要: Identifying Latent Causal Content for Multi-Source Domain Adaptation
- arxiv url: http://arxiv.org/abs/2208.14161v1
- Date: Tue, 30 Aug 2022 11:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 12:40:09.845644
- Title: Identifying Latent Causal Content for Multi-Source Domain Adaptation
- Title(参考訳): マルチソース・ドメイン適応のための潜在因果コンテンツの同定
- Authors: Yuhang Liu, Zhen Zhang, Dong Gong, Mingming Gong, Biwei Huang, Kun
Zhang, Javen Qinfeng Shi
- Abstract要約: 本稿では,潜時コンテンツ変数に基づく不変ラベル分布条件を学習するMSDAの新しい手法を提案する。
潜時空間の推移性により潜時型変数は識別できないが、潜時型変数は単純なスケーリングで識別可能であることを示す。
- 参考スコア(独自算出の注目度): 53.05434790671263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-source domain adaptation (MSDA) learns to predict the labels in target
domain data, under the setting where all data from multiple source domains are
labelled and the data from the target domain are unlabeled. To handle this
problem, most of methods focus on learning invariant representations across
domains. However, their success severely relies on the assumption that label
distribution remains unchanged across domains. To mitigate it, we propose a new
assumption, latent covariate shift, where the marginal distribution of the
latent content variable changes across domains, and the conditional
distribution of the label given the latent content remains invariant across
domains. We introduce a latent style variable to complement the latent content
variable forming a latent causal graph as the data and label generating
process. We show that although the latent style variable is unidentifiable due
to transitivity property in the latent space, the latent content variable can
be identified up to simple scaling under some mild conditions. This motivates
us to propose a novel method for MSDA, which learns the invariant label
distribution conditional on the latent content variable, instead of learning
invariant representations. Empirical evaluation on simulation and real data
demonstrates the effectiveness of the proposed method, compared with many
state-of-the-art methods based on invariant representation.
- Abstract(参考訳): マルチソースドメイン適応(MSDA)は、複数のソースドメインからのすべてのデータがラベル付けされ、対象ドメインからのデータがラベル付けされていない設定の下で、ターゲットドメインデータのラベルを予測することを学ぶ。
この問題に対処するため、ほとんどのメソッドはドメイン間の不変表現の学習に焦点を当てている。
しかし、それらの成功はドメイン間でラベル分布が変わらないという仮定に大きく依存している。
そこで本研究では,潜在内容変数の限界分布がドメイン間で変化し,潜在内容が与えられたラベルの条件分布がドメイン間で不変である,新たな仮定である潜在共変量シフトを提案する。
データおよびラベル生成プロセスとして、潜在因果グラフを形成する潜在コンテンツ変数を補完する潜在スタイル変数を導入する。
潜時空間の推移性により潜時型変数は同定できないが、潜時型変数は若干の温和な条件下で単純なスケーリングまで識別可能であることを示す。
これにより、不変表現を学習するのではなく、潜在コンテンツ変数に基づいて不変ラベル分布条件を学習するMSDAの新しい手法を提案する。
シミュレーションおよび実データに対する経験的評価は,不変表現に基づく多くの最先端手法と比較し,提案手法の有効性を示す。
関連論文リスト
- Proxy Methods for Domain Adaptation [78.03254010884783]
プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。
両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
論文 参考訳(メタデータ) (2024-03-12T09:32:41Z) - Subspace Identification for Multi-Source Domain Adaptation [30.98339926222619]
マルチソースドメイン適応(MSDA)手法は、複数のラベル付きソースドメインからラベルなしターゲットドメインへ知識を転送することを目的としている。
現在の方法は適切な数のドメイン、潜伏変数の単調変換、不変ラベル分布を必要とする。
本稿では,領域不変変数と領域固有変数の絡み合いを保証する部分空間同定理論を提案する。
論文 参考訳(メタデータ) (2023-10-07T07:52:59Z) - Partial Identifiability for Domain Adaptation [17.347755928718872]
iMSDAと呼ばれる実用的なドメイン適応フレームワークを提案する。
iMSDAは、ベンチマークデータセット上で最先端のドメイン適応アルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2023-06-10T19:04:03Z) - Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。
提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。
我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
論文 参考訳(メタデータ) (2021-11-25T17:33:12Z) - Learning Disentangled Semantic Representation for Domain Adaptation [39.055191615410244]
本研究の目的は,データの意味表現におけるドメイン不変な意味情報を抽出することである。
上記の仮定の下では、意味的潜在変数とドメイン潜在変数を再構成するために変分オートエンコーダを用いる。
これら2組の再構成潜伏変数をアンタングル化する二重対向ネットワークを考案する。
論文 参考訳(メタデータ) (2020-12-22T03:03:36Z) - Select, Label, and Mix: Learning Discriminative Invariant Feature
Representations for Partial Domain Adaptation [55.73722120043086]
部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。
まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。
次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
論文 参考訳(メタデータ) (2020-12-06T19:29:32Z) - Sparsely-Labeled Source Assisted Domain Adaptation [64.75698236688729]
本稿では,Sparsely-Labeled Source Assisted Domain Adaptation (SLSA-DA)アルゴリズムを提案する。
ラベル不足の問題により、ソースドメインとターゲットドメインの両方で投影されたクラスタリングが行われる。
論文 参考訳(メタデータ) (2020-05-08T15:37:35Z) - Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。
複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。
4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2020-01-12T08:37:42Z)
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。