論文の概要: Unsupervised Domain Adaptation for COVID-19 Information Service with
Contrastive Adversarial Domain Mixup
- arxiv url: http://arxiv.org/abs/2210.03250v1
- Date: Thu, 6 Oct 2022 23:29:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 12:50:20.312026
- Title: Unsupervised Domain Adaptation for COVID-19 Information Service with
Contrastive Adversarial Domain Mixup
- Title（参考訳）: 対照的なドメインミックスアップを用いたcovid-19情報サービスの教師なしドメイン適応
- Authors: Huimin Zeng, Zhenrui Yue, Ziyi Kou, Lanyu Shang, Yang Zhang, Dong Wang
- Abstract要約: 新型コロナウイルス(COVID-19)の誤情報検出の現実的な応用において、基本的な課題は、ラベル付き新型コロナウイルスデータの欠如である。
対照的な学習と敵対的なドメイン混在を用いた教師なしのドメイン適応フレームワークを提案する。
本手法は, 未確認の新型コロナウイルス標的領域に誤報検出システムを効果的に適用し, 大幅な改善が期待できる。
- 参考スコア（独自算出の注目度）: 11.929914721626849
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the real-world application of COVID-19 misinformation detection, a
fundamental challenge is the lack of the labeled COVID data to enable
supervised end-to-end training of the models, especially at the early stage of
the pandemic. To address this challenge, we propose an unsupervised domain
adaptation framework using contrastive learning and adversarial domain mixup to
transfer the knowledge from an existing source data domain to the target
COVID-19 data domain. In particular, to bridge the gap between the source
domain and the target domain, our method reduces a radial basis function (RBF)
based discrepancy between these two domains. Moreover, we leverage the power of
domain adversarial examples to establish an intermediate domain mixup, where
the latent representations of the input text from both domains could be mixed
during the training process. Extensive experiments on multiple real-world
datasets suggest that our method can effectively adapt misinformation detection
systems to the unseen COVID-19 target domain with significant improvements
compared to the state-of-the-art baselines.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)の誤情報検出の現実世界での応用において、基本的な課題は、特にパンデミックの初期段階において、モデルのエンドツーエンドトレーニングを監督可能にするためのラベル付きcovid-19データの欠如である。
そこで本研究では,既存のソースデータドメインから対象のcovid-19データドメインに知識を転送するために,コントラスト学習と敵対的ドメインミックスアップを用いた教師なしドメイン適応フレームワークを提案する。
特に、ソースドメインとターゲットドメインの間のギャップを埋めるために、この2つのドメイン間のラジアル基底関数(rbf)に基づく不一致を減少させる。
さらに,両ドメインから入力されたテキストの潜在表現を学習過程中に混合することができる中間領域混在を確立するために,ドメイン逆例のパワーを利用する。
複数の実世界のデータセットに対する大規模な実験により、我々の手法は、最先端のベースラインに比べて大幅に改善され、未確認のCOVID-19ターゲットドメインに誤情報検出システムを効果的に適応できることが示唆された。
関連論文リスト
- A Pairwise DomMix Attentive Adversarial Network for Unsupervised Domain Adaptive Object Detection [18.67853854539245]
教師なしドメイン適応オブジェクト検出(DAOD)は、ソースドメインでトレーニングされたモデルを未ラベルのターゲットドメインに適応させ、オブジェクト検出を行う。
本稿では,上記の課題を軽減するために,Domain Mixup (DomMix) モジュールを用いた対角対向ネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-03T06:25:20Z) - Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。
この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。
この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
論文 参考訳（メタデータ） (2024-05-25T07:17:47Z) - IIDM: Inter and Intra-domain Mixing for Semi-supervised Domain Adaptation in Semantic Segmentation [46.6002506426648]
教師なし領域適応(Unsupervised domain adapt, UDA)は、この問題を解決する主要なアプローチである。
この制限を克服するための半教師付きドメイン適応(SSDA)を提案する。
我々は、ドメイン間混合がソース・ターゲット領域ギャップを緩和し、ドメイン内混合が利用可能なターゲットドメイン情報を豊かにする、インター・ドメイン・ミキシング(IIDM)とイントラ・ドメイン・ミキシング(IIDM)の両方を組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-30T08:44:21Z) - Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for
Multi-Source Domain Adaptation [2.734665397040629]
マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数のソースドメインからラベル付きターゲットドメインに知識を転送する。
異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。
本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-05T01:08:41Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳（メタデータ） (2022-04-06T09:13:25Z) - ConDA: Unsupervised Domain Adaptation for LiDAR Segmentation via
Regularized Domain Concatenation [10.65673380743972]
ConDAは、LiDARセグメンテーションのための結合ベースのドメイン適応フレームワークである。
本稿では, エイリアスや偽ラベルによる負の効果を低減するために, アンチエイリアス・レギュレータとエントロピー・アグリゲータを提案する。
論文 参考訳（メタデータ） (2021-11-30T09:53:24Z) - IDM: An Intermediate Domain Module for Domain Adaptive Person Re-ID [58.46907388691056]
ソースとターゲットドメイン間のブリッジは、UDA re-IDタスクに対処するために有効である、と我々は主張する。
中間ドメインの表現をオンザフライで生成するための中間ドメインモジュール(IDM)を提案する。
提案手法は,UDAのre-IDタスクに共通するタスクにおいて,最先端のタスクよりも大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-08-05T07:19:46Z) - Gradual Domain Adaptation via Self-Training of Auxiliary Models [50.63206102072175]
ソースとターゲットドメイン間のギャップを増やすことで、ドメイン適応はより難しくなります。
中間領域のモデルを学習する補助モデル(AuxSelfTrain)の自己学習を提案する。
教師なしおよび半教師付きドメイン適応のベンチマークデータセットの実験は、その有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:15:25Z) - Domain Adaptation with Incomplete Target Domains [61.68950959231601]
本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。
提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。
我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-03T00:07:40Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。