論文の概要: Unsupervised Domain Adaptation for Extra Features in the Target Domain Using Optimal Transport

• arxiv url: http://arxiv.org/abs/2209.04594v1
• Date: Sat, 10 Sep 2022 04:35:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 13:30:43.072160
• Title: Unsupervised Domain Adaptation for Extra Features in the Target Domain Using Optimal Transport
• Title（参考訳）: 最適輸送を用いた標的領域の外部特徴に対する教師なし領域適応
• Authors: Toshimitsu Aritake and Hideitsu Hino
• Abstract要約: ほとんどの領域適応法は、ソースとターゲットドメインは同じ次元を持つと仮定する。 本稿では,両領域に共通する特徴と,対象領域に付加的な(新たな)特徴が観察されることを仮定する。 共通特徴の均一性を活用するために、これらのソースとターゲットドメイン間の適応を最適な輸送問題として定式化する。
• 参考スコア（独自算出の注目度）: 3.6042575355093907
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Domain adaptation aims to transfer knowledge of labeled instances obtained from a source domain to a target domain to fill the gap between the domains. Most domain adaptation methods assume that the source and target domains have the same dimensionality. Methods that are applicable when the number of features is different in each domain have rarely been studied, especially when no label information is given for the test data obtained from the target domain. In this paper, it is assumed that common features exist in both domains and that extra (new additional) features are observed in the target domain; hence, the dimensionality of the target domain is higher than that of the source domain. To leverage the homogeneity of the common features, the adaptation between these source and target domains is formulated as an optimal transport (OT) problem. In addition, a learning bound in the target domain for the proposed OT-based method is derived. The proposed algorithm is validated using both simulated and real-world data.
• Abstract（参考訳）: ドメイン適応は、ソースドメインから取得したラベル付きインスタンスの知識をターゲットドメインに転送し、ドメイン間のギャップを埋めることを目的としています。 ほとんどの領域適応法は、ソースとターゲットドメインは同じ次元を持つと仮定する。 対象ドメインから取得したテストデータにはラベル情報がない場合,各ドメインで特徴数が異なる場合に適用可能な手法がほとんど研究されていない。 本稿では、両領域に共通する特徴と、対象領域に余分な(新たな)特徴が観察されることを仮定し、対象領域の次元性はソース領域の次元よりも高いと仮定する。 共通特徴の均一性を活用するために、これらのソースとターゲットドメイン間の適応は最適な輸送(OT)問題として定式化される。 また、提案するotに基づく手法の目標領域における学習バウンドを導出する。 提案アルゴリズムはシミュレーションデータと実世界データの両方を用いて検証される。

関連論文リスト

• Meta-causal Learning for Single Domain Generalization [102.53303707563612]
  単一ドメインの一般化は、単一のトレーニングドメイン(ソースドメイン)からモデルを学び、それを複数の未確認テストドメイン(ターゲットドメイン)に適用することを目的としている。 既存の方法は、ターゲットドメインをカバーするためのトレーニングドメインの配布拡大に重点を置いているが、ソースとターゲットドメイン間のドメインシフトを見積もることはできない。 そこで本研究では,まず,対象ドメインとして補助ドメインを構築することによってドメインシフトをシミュレートし,ドメインシフトの原因を解析し,最終的にモデル適応のためのドメインシフトを低減する,新たな学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-07T15:46:38Z)
• Discovering Domain Disentanglement for Generalized Multi-source Domain Adaptation [48.02978226737235]
  典型的なマルチソースドメイン適応(MSDA)アプローチは、ラベル付きソースドメインから学習した知識を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る。 本稿では、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立性を奨励する変動型ドメイン・アンタングルメント(VDD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-11T04:33:08Z)
• Exploiting Domain-Specific Features to Enhance Domain Generalization [10.774902700296249]
  ドメイン一般化(Domain Generalization, DG)は、観測されていないターゲットドメインで正常に動作するために、複数の観測されたソースドメインからモデルをトレーニングすることを目的としている。 以前のDGアプローチでは、ターゲットドメインを一般化するために、ソース間でのドメイン不変情報を抽出することに重点を置いていた。 本稿ではメタドメイン固有ドメイン不変量(mD)を提案する。
  論文  参考訳（メタデータ） (2021-10-18T15:42:39Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Generalized Source-free Domain Adaptation [47.907168218249694]
  我々は、G-SFDA(Generalized Source-free Domain Adaptation)と呼ばれる新しいドメイン適応パラダイムを提案する。 目標性能は既存の DA 法や SFDA 法と同等かそれ以上であり、特に VisDA の最先端性能 (85.4%) を達成する。
  論文  参考訳（メタデータ） (2021-08-03T16:34:12Z)
• Adaptive Domain-Specific Normalization for Generalizable Person Re-Identification [81.30327016286009]
  一般化可能なRe-IDのための適応型ドメイン固有正規化手法(AdsNorm)を提案する。 本研究では,一般化可能人物 Re-ID に対する適応領域特異的正規化手法 (AdsNorm) を提案する。
  論文  参考訳（メタデータ） (2021-05-07T02:54:55Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付き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。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)
• Adapting Object Detectors with Conditional Domain Normalization [38.13526570506076]
  条件付きドメイン正規化(CDN)は、異なるドメイン入力を共有潜在空間にエンコードするように設計されている。 対象検出器の様々な畳み込み段階にCDNを組み込み、異なるレベルの表現の領域シフトに適応的に対処する。 テストの結果、CDNは実-実-実-実-実-実-実-実-実-実-実のベンチマークにおいて、既存の手法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2020-03-16T08:27:29Z)

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。