Fugu-MT 論文翻訳(概要): Fast OT for Latent Domain Adaptation

論文の概要: Fast OT for Latent Domain Adaptation

arxiv url: http://arxiv.org/abs/2210.00479v1
Date: Sun, 2 Oct 2022 10:25:12 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 14:15:04.783328
Title: Fast OT for Latent Domain Adaptation
Title（参考訳）: 潜在ドメイン適応のための高速OT
Authors: Siddharth Roheda, Ashkan Panahi, Hamid Krim
Abstract要約: 本稿では,最適輸送理論を検証可能かつ実装可能な解を用いて,最適な潜在特徴表現を学習するアルゴリズムを提案する。これは、サンプルをターゲットドメインからソースドメインの配布に転送するコストを最小化することで達成される。
参考スコア（独自算出の注目度）: 25.915629674463286
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we address the problem of unsupervised Domain Adaptation. The need for such an adaptation arises when the distribution of the target data differs from that which is used to develop the model and the ground truth information of the target data is unknown. We propose an algorithm that uses optimal transport theory with a verifiably efficient and implementable solution to learn the best latent feature representation. This is achieved by minimizing the cost of transporting the samples from the target domain to the distribution of the source domain.
Abstract（参考訳）: 本稿では,教師なしドメイン適応の問題に対処する。このような適応の必要性は、モデルを開発するのに使用されるデータと対象データの分布が異なり、対象データの基底的真理情報が不明な場合に生じる。本稿では,最適輸送理論を検証可能かつ実装可能な解を用いて,最適な潜在特徴表現を学習するアルゴリズムを提案する。これは、対象ドメインからソースドメインの分布へサンプルを転送するコストを最小化することで実現される。

関連論文リスト

Optimal Transport for Domain Adaptation through Gaussian Mixture Models [7.292229955481438]
本稿では,ガウス混合モデルを用いてデータ分布をモデル化する手法を提案する。最適なトランスポートソリューションは、ソースとターゲットドメインの混合コンポーネントのマッチングを提供します。断層診断における2つの領域適応ベンチマークを用いて,本手法の最先端性能を示す。
論文参考訳（メタデータ） (2024-03-18T09:32:33Z)
MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
論文参考訳（メタデータ） (2023-01-18T07:55:22Z)
Distributionally Robust Domain Adaptation [12.02023514105999]
ドメイン適応(DA: Domain Adaptation)は、ソースドメインとターゲットドメインをまたいだ学習モデルに適合する可能性から、最近大きな注目を集めている。本稿では,分散ロバストな領域適応手法DRDAを提案する。
論文参考訳（メタデータ） (2022-10-30T17:29:22Z)
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)
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)
Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文参考訳（メタデータ） (2022-03-29T17:50:43Z)
KL Guided Domain Adaptation [88.19298405363452]
ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
論文参考訳（メタデータ） (2021-06-14T22:24:23Z)
Unsupervised Model Adaptation for Continual Semantic Segmentation [15.820660013260584]
本研究では,ラベル付きソースドメインを用いて訓練されたセマンティックセグメンテーションモデルを,ラベル付きターゲットドメインで適切に一般化するアルゴリズムを開発した。我々は,アルゴリズムが有効である条件を理論的に分析し,説明する。ベンチマーク適応タスクの実験では, 共同UDA手法と比較して, 競争性能が向上することを示した。
論文参考訳（メタデータ） (2020-09-26T04:55:50Z)
Multi-source Domain Adaptation via Weighted Joint Distributions Optimal Transport [35.37752209765114]
未ラベルのターゲットデータセットに対するドメイン適応に対する新しいアプローチを提案する。我々は,対象タスクの重み付けを手元に調整することで,ソース分布の多様性を利用する。 Weighted Joint Distribution Optimal Transport (WJDOT) と名付けられた本手法は,ソースとターゲットの分布の最適輸送に基づくアライメントを同時に見つけることを目的としている。
論文参考訳（メタデータ） (2020-06-23T12:33:30Z)
Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。グラフ埋め込みに基づく汎用フレームワークを提案する。提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。