論文の概要: Provably Uncertainty-Guided Universal Domain Adaptation
- arxiv url: http://arxiv.org/abs/2209.09616v8
- Date: Tue, 17 Oct 2023 22:06:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 21:25:04.056202
- Title: Provably Uncertainty-Guided Universal Domain Adaptation
- Title(参考訳): 不確実性のあるユニバーサルドメイン適応
- Authors: Yifan Wang, Lin Zhang, Ran Song, Paul L. Rosin, Yibin Li, and Wei
Zhang
- Abstract要約: ユニバーサルドメイン適応(UniDA)は、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に知識を転送することを目的としている。
UniDAの主な課題は、識別不能なラベルセットが2つのドメイン間のミスアライメントを引き起こすことである。
潜在空間における対象サンプルの分布を利用した新しい不確実性誘導型UniDAフレームワークを提案する。
- 参考スコア(独自算出の注目度): 34.76381510773768
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Universal domain adaptation (UniDA) aims to transfer the knowledge from a
labeled source domain to an unlabeled target domain without any assumptions of
the label sets, which requires distinguishing the unknown samples from the
known ones in the target domain. A main challenge of UniDA is that the
nonidentical label sets cause the misalignment between the two domains.
Moreover, the domain discrepancy and the supervised objectives in the source
domain easily lead the whole model to be biased towards the common classes and
produce overconfident predictions for unknown samples. To address the above
challenging problems, we propose a new uncertainty-guided UniDA framework.
Firstly, we introduce an empirical estimation of the probability of a target
sample belonging to the unknown class which fully exploits the distribution of
the target samples in the latent space. Then, based on the estimation, we
propose a novel neighbors searching scheme in a linear subspace with a
$\delta$-filter to estimate the uncertainty score of a target sample and
discover unknown samples. It fully utilizes the relationship between a target
sample and its neighbors in the source domain to avoid the influence of domain
misalignment. Secondly, this paper well balances the confidences of predictions
for both known and unknown samples through an uncertainty-guided margin loss
based on the confidences of discovered unknown samples, which can reduce the
gap between the intra-class variances of known classes with respect to the
unknown class. Finally, experiments on three 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)は、ラベル付きソースドメインからラベルセットの仮定なしにラベル付き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る。
UniDAの主な課題は、識別できないラベルセットが2つのドメイン間のミスアライメントを引き起こすことである。
さらに、ソース領域におけるドメインの不一致と教師付き目的は、モデル全体を共通のクラスに偏りやすくし、未知のサンプルに対して過信な予測を生成する。
上記の課題に対処するため、我々は新しい不確実性誘導型UniDAフレームワークを提案する。
まず、未知のクラスに属する対象サンプルの確率を実証的に推定し、潜在空間における対象サンプルの分布を完全に活用する。
次に,この推定に基づいて,$\delta$-filter の線形部分空間における新しい近傍探索スキームを提案し,対象サンプルの不確かさスコアを推定し,未知のサンプルを探索する。
ソースドメイン内のターゲットサンプルとその隣人との関係を完全に活用し、ドメインのミスアライメントの影響を避ける。
次に,未知のクラスに対するクラス内分散の差を低減できる未知のサンプルの信頼度に基づく不確実性誘導マージン損失により,未知のサンプルと未知のサンプルの両方に対する予測の信頼度をバランスさせる。
最後に,3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。