論文の概要: Towards Optimization and Model Selection for Domain Generalization: A
Mixup-guided Solution
- arxiv url: http://arxiv.org/abs/2209.00652v1
- Date: Thu, 1 Sep 2022 02:18:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:39:38.546091
- Title: Towards Optimization and Model Selection for Domain Generalization: A
Mixup-guided Solution
- Title(参考訳): ドメイン一般化のための最適化とモデル選択:混合誘導解
- Authors: Wang Lu, Jindong Wang, Yidong Wang, Kan Ren, Yiqiang Chen, Xing Xie
- Abstract要約: そこで本研究では,ドメイン一般化のためのMixupガイドによる最適化と選択手法を提案する。
最適化のために、最適化されたMixupを使用して、アウト・オブ・ディストリビューションデータセットを生成する。
モデル選択のために、ターゲット分布に近づいた検証データセットを生成する。
- 参考スコア(独自算出の注目度): 29.188849961045804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The distribution shifts between training and test data typically undermine
the performance of deep learning models. In recent years, lots of work pays
attention to domain generalization (DG) where distribution shift exists and
target data are unseen. Despite the progress in algorithm design, two
foundational factors have long been ignored: 1) the optimization for
regularization-based objectives (e.g., distribution alignment), and 2) the
model selection for DG since no knowledge about the target domain can be
utilized. In this paper, we propose Mixup guided optimization and selection
techniques for domain generalization. For optimization, we utilize an adapted
Mixup to generate an out-of-distribution dataset that can guide the preference
direction and optimize with Pareto optimization. For model selection, we
generate a validation dataset with a closer distance to the target
distribution, and thereby it can better represent the target data. We also
present some theoretical insights behind our proposals. Comprehensive
experiments on one visual classification benchmark and three time-series
benchmarks demonstrate that our model optimization and selection techniques can
largely improve the performance of existing domain generalization algorithms
and even achieve new state-of-the-art results.
- Abstract(参考訳): トレーニングとテストデータの分散シフトは、一般的にディープラーニングモデルのパフォーマンスを損なう。
近年,分散シフトが存在する領域一般化(DG)や,対象データに見当たらない領域一般化に多くの作業が注がれている。
アルゴリズム設計の進歩にもかかわらず、2つの基本的な要素は長い間無視されてきた。
1)正規化に基づく目標(分布アライメントなど)の最適化、及び
2) DG のモデル選択は対象領域に関する知識を利用できないためである。
本稿では,ドメイン一般化のためのMixup Guided Optimizationと選択手法を提案する。
最適化のために、適応したミックスアップを使用して、好みの方向を導き、pareto最適化で最適化できる分散データセットを生成する。
モデル選択のために、ターゲット分布との距離が近い検証データセットを生成し、ターゲットデータをよりよく表現できる。
提案の背後にある理論的洞察も提示する。
1つの視覚分類ベンチマークと3つの時系列ベンチマークによる総合的な実験により、我々のモデル最適化と選択技術は、既存の領域一般化アルゴリズムの性能を大幅に改善し、新しい最先端の結果も達成できることを示した。
関連論文リスト
- Functional Graphical Models: Structure Enables Offline Data-Driven
Optimization [121.57202302457135]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。
また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-08T22:33:14Z) - Inverse Transfer Multiobjective Optimization [29.580786235313987]
我々は,多目的最適化における逆変換という新しい概念を導入する。
逆移動は確率的逆モデルを用いることで際立つ。
InvTrEMO(InvTrEMO)の第1回リバーストランスファー・マルチオブジェクト(InvTrEMO)を紹介する。
論文 参考訳(メタデータ) (2023-12-22T14:12:18Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:45:53Z) - Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。
オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-07-30T11:38:46Z) - Flatness-Aware Minimization for Domain Generalization [17.430563368226853]
ドメイン一般化(DG)は、未知の分布シフトの下でよく一般化されるロバストモデルを学ぶことを目指している。
現在、ほとんどのDGメソッドは広く使用されているベンチマークであるDomainBedに従っており、すべてのデータセットのデフォルトとしてAdamを使用している。
領域一般化のための平坦度認識最小化(Flatness-Aware Minimization for Domain Generalization, FAD)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:48:20Z) - Optimizer's Information Criterion: Dissecting and Correcting Bias in
Data-Driven Optimization [18.6306170209029]
データ駆動最適化では、得られた決定のサンプル性能は通常、真の性能に対して楽観的なバイアスを生じさせる。
クロスバリデーションのような、このバイアスを修正するための一般的なテクニックは、追加の最適化問題を繰り返し解決する必要があるため、コストがかかる。
我々は一階偏差を直接近似する一般バイアス補正手法を開発し、追加の最適化問題を解く必要はない。
論文 参考訳(メタデータ) (2023-06-16T07:07:58Z) - Variational Model Perturbation for Source-Free Domain Adaptation [64.98560348412518]
確率的枠組みにおける変分ベイズ推定によるモデルパラメータの摂動を導入する。
本研究では,ベイズニューラルネットワークの学習と理論的関連性を実証し,目的領域に対する摂動モデルの一般化可能性を示す。
論文 参考訳(メタデータ) (2022-10-19T08:41:19Z) - Bayesian Optimization with Informative Covariance [13.113313427848828]
探索空間の特定の領域の好みを符号化するために,非定常性を利用した新しい情報共分散関数を提案する。
提案した関数は,より弱い事前情報の下でも,ハイ次元でのベイズ最適化のサンプル効率を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-08-04T15:05:11Z) - Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。
本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。
GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
論文 参考訳(メタデータ) (2020-11-06T14:01:03Z) - Expected Information Maximization: Using the I-Projection for Mixture
Density Estimation [22.096148237257644]
高度にマルチモーダルなデータのモデリングは、機械学習において難しい問題である。
我々は,予測情報最大化(EIM)と呼ばれる新しいアルゴリズムを提案する。
我々のアルゴリズムは最近のGANアプローチよりもI射影の計算に効果的であることを示す。
論文 参考訳(メタデータ) (2020-01-23T17:24:50Z)
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。