論文の概要: A Novel Framework based on Unknown Estimation via Principal Sub-space for Universal Domain Adaption

• arxiv url: http://arxiv.org/abs/2209.09616v1
• Date: Mon, 19 Sep 2022 09:16:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 18:47:15.131173
• Title: A Novel Framework based on Unknown Estimation via Principal Sub-space for Universal Domain Adaption
• Title（参考訳）: Universal Domain Adaptionのための主部分空間による未知推定に基づく新しいフレームワーク
• Authors: Yifan Wang, Lin Zhang, Ran Song, Lin Ma, Wei Zhang
• Abstract要約: ユニバーサルドメイン適応(UniDA)は、ソースドメインからターゲットドメインへの共通クラスの知識をラベルセットに関する事前知識なしで転送することを目的としている。 本稿では,元の特徴空間のサンプルを信頼性のある線形部分空間にマッピングした未知のサンプル検出手法を提案する。 4つの公開データセットの実験により、我々の手法は既存の最先端手法よりも大幅に優れていることが示された。
• 参考スコア（独自算出の注目度）: 28.649343679597163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Universal domain adaptation (UniDA) aims to transfer the knowledge of common classes from source domain to target domain without any prior knowledge on the label set, which requires to distinguish the unknown samples from the known ones in the target domain. Like the traditional unsupervised domain adaptation problem, the misalignment between two domains exists due to the biased and less-discriminative embedding. Recent methods proposed to complete the domain misalignment by clustering target samples with the nearest neighbors or the prototypes. However, it is dangerous to do so since we do not have any prior knowledge about the distributions of unknown samples which can magnify the misalignment especially when the unknown set is big. Meanwhile, other existing classifier-based methods could easily produce overconfident predictions of unknown samples because of the supervised objective in source domain leading the whole model to be biased towards the common classes in the target domain. Therefore, we propose a novel non-parameter unknown samples detection method based on mapping the samples in the original feature space into a reliable linear sub-space which makes data points more sparse to reduce the misalignment between unknown samples and source samples. Moreover, unlike the recent methods applying extra parameters to improve the classification of unknown samples, this paper well balances the confidence values of both known and unknown samples through an unknown-adaptive margin loss which can control the gradient updating of the classifier learning on supervised source samples depending on the confidence level of detected unknown samples at current step. Finally, experiments on four public datasets demonstrate that our method significantly outperforms existing state-of-the-art methods.
• Abstract（参考訳）: ユニバーサルドメイン適応(unida:universal domain adaptation)は、ラベルセットの事前知識を必要とせず、ソースドメインからターゲットドメインに共通クラスの知識を転送することを目的としている。 従来の教師なし領域適応問題と同様に、2つの領域間のミスアライメントはバイアスがあり差別的でない埋め込みのため存在する。 最近の手法では、ターゲットサンプルを最寄りの近傍またはプロトタイプにクラスタリングして、ドメインのミスアライメントを完了させる。 しかし、未知の集合が大きければ特に誤認識を拡大できる未知のサンプルの分布について事前の知識がないため、そうすることは危険である。 一方、既存の分類器ベースの手法では、ソースドメインにおける教師付き目的が、対象ドメイン内の共通クラスに偏っているため、未知のサンプルの過信予測を容易に生成できる。 そこで本研究では, 原特徴空間のサンプルを信頼性の高い線形部分空間にマッピングし, 未知試料と原試料とのずれを低減させる, 新たな非パラメータ未知サンプル検出法を提案する。 さらに, 未知試料の分類を改善するために, 追加パラメータを適用した最近の手法とは異なり, 未知試料と未知試料の両方の信頼度を, 未知試料の信頼度レベルに応じて教師付きサンプルの分類器学習の勾配更新を制御できる未知適応マージン損失によりよくバランスさせる。 最後に,4つの公開データセットを用いた実験により,本手法が既存の最先端手法を大幅に上回ることを示した。

関連論文リスト

• Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
  UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。 本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。 本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T13:52:00Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Heterogeneous Domain Adaptation with Positive and Unlabeled Data [7.48285579561564]
  本稿では,PU-HUDA (Positive and unlabeled heterogeneous unsupervised domain adaptation) と呼ばれる新たな課題に対処する。 既存のHUDAとPU学習の単純な組み合わせは、ソースとターゲットドメイン間のラベル分布のギャップのため、PU-HUDAでは効果がない。 そこで本研究では,未ラベル対象データから有意な正の例を予測できる新しい手法PADAを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:50:18Z)
• Exploiting Inter-Sample Affinity for Knowability-Aware Universal Domain Adaptation [34.5943374866644]
  ユニバーサルドメイン適応(UniDA)は、共通クラスの知識を、ラベルセットに関する事前の知識なしで、ソースドメインからターゲットドメインに転送することを目的としている。 最近の手法は、通常、既知のサンプルと未知のサンプルを区別するのではなく、ターゲットサンプルをソースクラスの1つに分類することに焦点を当てている。 サンプル間の親和性を生かした新しいUDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-19T13:49:30Z)
• 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)
• Certainty Volume Prediction for Unsupervised Domain Adaptation [35.984559137218504]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベルなしのターゲットドメインデータを分類する問題を扱う。 特徴空間における多変量ガウス分布としての不確かさをモデル化する新しい不確実性対応領域適応構成を提案する。 提案したパイプラインを、挑戦的なUDAデータセットに基づいて評価し、最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-03T11:22:55Z)
• OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
  既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。 本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。 私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
  論文  参考訳（メタデータ） (2021-04-07T18:36:31Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。