Fugu-MT 論文翻訳(概要): Domain Generalization via Contrastive Causal Learning

論文の概要: Domain Generalization via Contrastive Causal Learning

arxiv url: http://arxiv.org/abs/2210.02655v1
Date: Thu, 6 Oct 2022 03:23:20 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 16:45:44.007713
Title: Domain Generalization via Contrastive Causal Learning
Title（参考訳）: 対照因果学習による領域一般化
Authors: Qiaowei Miao, Junkun Yuan and Kun Kuang
Abstract要約: 我々は、未知の画像から知識を伝達する新しいコントラスト因果モデル(CCM)を開発した。 CCMは、(i)画像とラベルの相関をCCMに教えるドメイン条件付き教師あり学習、(ii)画像のラベルに対する真の因果効果を測定するのに役立つ因果効果学習という3つの要素から構成される。
参考スコア（独自算出の注目度）: 17.80258463720899
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Domain Generalization (DG) aims to learn a model that can generalize well to unseen target domains from a set of source domains. With the idea of invariant causal mechanism, a lot of efforts have been put into learning robust causal effects which are determined by the object yet insensitive to the domain changes. Despite the invariance of causal effects, they are difficult to be quantified and optimized. Inspired by the ability that humans adapt to new environments by prior knowledge, We develop a novel Contrastive Causal Model (CCM) to transfer unseen images to taught knowledge which are the features of seen images, and quantify the causal effects based on taught knowledge. Considering the transfer is affected by domain shifts in DG, we propose a more inclusive causal graph to describe DG task. Based on this causal graph, CCM controls the domain factor to cut off excess causal paths and uses the remaining part to calculate the causal effects of images to labels via the front-door criterion. Specifically, CCM is composed of three components: (i) domain-conditioned supervised learning which teaches CCM the correlation between images and labels, (ii) causal effect learning which helps CCM measure the true causal effects of images to labels, (iii) contrastive similarity learning which clusters the features of images that belong to the same class and provides the quantification of similarity. Finally, we test the performance of CCM on multiple datasets including PACS, OfficeHome, and TerraIncognita. The extensive experiments demonstrate that CCM surpasses the previous DG methods with clear margins.
Abstract（参考訳）: ドメイン一般化(Domain Generalization, DG)は、ソースドメインの集合から見えないターゲットドメインに適切に一般化できるモデルを学ぶことを目的としている。不変因果機構(invariant causal mechanism)のアイデアにより、オブジェクトによって決定されるがドメインの変更に敏感なロバスト因果効果の学習に多くの努力が払われた。因果効果のばらつきにもかかわらず、定量化や最適化は困難である。先行知識によって人間が新しい環境に適応する能力に触発されて,未知のイメージを学習知識に伝達し,学習知識に基づいて因果効果を定量化する,新しいコントラスト因果モデル(CCM)を開発した。 DGの領域シフトの影響を考慮し、DGタスクを記述するためのより包括的な因果グラフを提案する。この因果グラフに基づいて、CCMはドメインファクタを制御し、過剰な因果経路を切断し、残りの部分はフロントドア基準によるラベルに対する画像の因果効果を計算する。具体的には、CCMは3つのコンポーネントから構成される。 (i)画像とラベルの相関をCCMに教えるドメイン条件付き教師あり学習 (ii) ccmがラベルに対する画像の真の因果効果を測定するのに役立つ因果効果学習 (iii)同一クラスに属する画像の特徴を集約し、類似性の定量化を提供する対比的類似性学習最後に、PACS、OfficeHome、TerraIncognitaなどの複数のデータセット上でCCMの性能をテストする。実験により,CCMが従来のDG法をはるかに上回っていることが示された。

関連論文リスト

Towards Context-Aware Emotion Recognition Debiasing from a Causal Demystification Perspective via De-confounded Training [14.450673163785094]
文脈認識感情認識(CAER)は、対象者の感情を認識するための貴重な意味的手がかりを提供する。現在のアプローチは、コンテキストから知覚的に重要な表現を抽出する洗練された構造を設計することに集中している。共同設立者を非難するためのCCIM(Contextual Causal Intervention Module)を提案する。
論文参考訳（メタデータ） (2024-07-06T05:29:02Z)
Grounding Stylistic Domain Generalization with Quantitative Domain Shift Measures and Synthetic Scene Images [63.58800688320182]
ドメインの一般化は機械学習において難しい課題である。現在の方法論は、スタイリスティック領域におけるシフトに関する定量的な理解を欠いている。これらのリスクに対処する新しいDGパラダイムを導入する。
論文参考訳（メタデータ） (2024-05-24T22:13:31Z)
Causal Prototype-inspired Contrast Adaptation for Unsupervised Domain Adaptive Semantic Segmentation of High-resolution Remote Sensing Imagery [8.3316355693186]
本稿では,異なるHRSIsドメインとそれらの意味ラベル間の不変因果機構を探索するプロトタイプインスパイアされたコントラスト適応(CPCA)手法を提案する。ソースとターゲットのドメインイメージから因果的特徴とバイアス的特徴を、因果的特徴のアンタングルメントモジュールを通じて切り離す。さらに因果的・偏見的特徴を非相関化するために、因果的介入モジュールを導入してバイアス的特徴に介入し、反事実的非偏見的サンプルを生成する。
論文参考訳（メタデータ） (2024-03-06T13:39:18Z)
Contrastive Centroid Supervision Alleviates Domain Shift in Medical Image Classification [9.709678461254972]
Feature Centroid Contrast Learning (FCCL) は、トレーニング中に追加の監視を行うことで、対象領域の分類性能を向上させることができる。我々は、FCCLが少なくとも3つの画像モダリティに対して優れた性能を達成できるという広範な実験を通して検証する。
論文参考訳（メタデータ） (2022-05-31T09:54:17Z)
Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文参考訳（メタデータ） (2022-02-22T21:27:31Z)
Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation via Disentangling Representation Style Transfer and Collaborative Consistency Learning [3.9562534927482704]
ドメインシフトが大きいタスクに対する、新しいクロスモーダルな教師なしドメイン適応フレームワークDCDAを提案する。本フレームワークは,OCTAからOCT,OCTからOCTAまで,目標に訓練されたオラクルに近いDiceスコアを達成し,他の最先端手法よりも優れていた。
論文参考訳（メタデータ） (2022-01-13T07:03:16Z)
Domain adaptation based self-correction model for COVID-19 infection segmentation in CT images [23.496487874821756]
CT画像を用いた新型コロナウイルス感染セグメント化のためのドメイン適応型自己補正モデル(DASC-Net)を提案する。 DASC-Netは、ドメインシフトを解決するための新しい注目と機能ドメイン拡張ドメイン適応モデル(AFD-DA)と、結果を洗練するための自己補正学習プロセスから構成される。 3つの公開可能なCOVID-19 CTデータセットに対する大規模な実験は、DASC-Netが最先端のセグメンテーション、ドメインシフト、および新型コロナウイルス感染セグメンテーションメソッドを一貫して上回っていることを示している。
論文参考訳（メタデータ） (2021-04-20T00:45:01Z)
Emotional Semantics-Preserved and Feature-Aligned CycleGAN for Visual Emotion Adaptation [85.20533077846606]
教師なしドメイン適応(UDA)は、あるラベル付きソースドメインで訓練されたモデルを別のラベル付きターゲットドメインに転送する問題を研究する。本稿では,感情分布学習と支配的感情分類の両面での視覚的感情分析におけるUDAに着目した。本稿では,CycleEmotionGAN++と呼ばれる,エンドツーエンドのサイクル整合対向モデルを提案する。
論文参考訳（メタデータ） (2020-11-25T01:31:01Z)
Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文参考訳（メタデータ） (2020-05-05T11:08:26Z)
Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文参考訳（メタデータ） (2020-04-28T08:40:55Z)
Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。