論文の概要: Manifold Alignment with Label Information

• arxiv url: http://arxiv.org/abs/2210.12774v1
• Date: Sun, 23 Oct 2022 16:32:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 14:40:44.179504
• Title: Manifold Alignment with Label Information
• Title（参考訳）: ラベル情報を用いたマニフォールドアライメント
• Authors: Andres F. Duque, Myriam Lizotte, Guy Wolf and Kevin R. Moon
• Abstract要約: MALI (Manifold alignment with label information) は、2つの異なるドメイン間の対応を学習する。 我々は,MALIが複数のデータセットにまたがって現在最先端の多様体アライメント手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 9.742277703732187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-domain data is becoming increasingly common and presents both challenges and opportunities in the data science community. The integration of distinct data-views can be used for exploratory data analysis, and benefit downstream analysis including machine learning related tasks. With this in mind, we present a novel manifold alignment method called MALI (Manifold alignment with label information) that learns a correspondence between two distinct domains. MALI can be considered as belonging to a middle ground between the more commonly addressed semi-supervised manifold alignment problem with some known correspondences between the two domains, and the purely unsupervised case, where no known correspondences are provided. To do this, MALI learns the manifold structure in both domains via a diffusion process and then leverages discrete class labels to guide the alignment. By aligning two distinct domains, MALI recovers a pairing and a common representation that reveals related samples in both domains. Additionally, MALI can be used for the transfer learning problem known as domain adaptation. We show that MALI outperforms the current state-of-the-art manifold alignment methods across multiple datasets.
• Abstract（参考訳）: マルチドメインデータはますます一般的になってきており、データサイエンスコミュニティにおける課題と機会の両方を提示している。 異なるデータビューの統合は、探索データ分析や、機械学習関連のタスクを含む下流分析の恩恵に利用できる。 このことを念頭に置いて、2つの異なる領域間の対応を学習するMALI(Manifold alignment with label information)と呼ばれる新しい多様体アライメント手法を提案する。 MALI は、2つの領域間の既知の対応がいくつかあるより一般的な半教師付き多様体アライメント問題と、既知の対応が提供されない純粋に教師なしの場合との間の中間の基底に属すると考えられる。 そのため、MALIは拡散過程を通じて両方の領域の多様体構造を学習し、離散クラスラベルを利用してアライメントを導出する。 2つの異なるドメインを整列させることで、MALIはペアリングと共通の表現を回復し、両方のドメインで関連するサンプルを明らかにする。 さらに、MALIはドメイン適応として知られる転写学習問題にも利用できる。 我々は,MALIが複数のデータセットにまたがって現在最先端の多様体アライメント手法より優れていることを示す。

関連論文リスト

• Graph Integration for Diffusion-Based Manifold Alignment [0.0]
  マルチモーダルデータ統合は、単一ソースデータと比較して情報コンテンツを豊かにすることができる。 マニフォールドアライメント(Manifold alignment)は、複数のデータソースの共有低次元表現を求めるデータ統合の一形態である。 本稿では,2つの半教師付き多様体アライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:43:44Z)
• Learning with Alignments: Tackling the Inter- and Intra-domain Shifts for Cross-multidomain Facial Expression Recognition [16.864390181629044]
  本稿では、ドメイン間のシフトとドメイン内シフトの両方を扱うための、LA-CMFERという新しいラーニング・ウィズ・アライメント・CMFERフレームワークを提案する。 これに基づいて、LA-CMFERは、知識伝達におけるハード・トゥ・アライメント・サンプルの優先順位付けをモデルに強制する二重レベル領域間アライメント法を提案する。 ドメイン内シフトに対処するため、LA-CMFERは複数ビューの整合性制約を持つ複数ビューのドメイン内アライメント手法を導入した。
  論文  参考訳（メタデータ） (2024-07-08T07:43:06Z)
• Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
  時系列異常検出は、幅広い現実世界の応用において難しい課題である。 近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。 本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-15T02:28:58Z)
• Diffusion Transport Alignment [10.949343817897455]
  多くの既存のデータ統合手法は、データセット全体のドメイン間の既知の1対1対応を前提としている。 そこで本研究では,領域を整合させるために,少数の点間の先行対応知識を利用する半教師付き多様体アライメント手法を提案する。 我々は、DTAが、この半教師付き環境でのマルチモーダルデータの整合性において、他の手法よりも優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2022-06-15T05:25:06Z)
• Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
  マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。 本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。 ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
  論文  参考訳（メタデータ） (2021-04-01T23:41:41Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• mDALU: Multi-Source Domain Adaptation and Label Unification with Partial Datasets [102.62639692656458]
  本稿では,この課題をマルチソースドメイン適応とラベル統一の問題として扱う。 本手法は,部分教師あり適応段階と完全教師あり適応段階からなる。 本手法は,画像分類,2次元意味画像分割,ジョイント2d-3d意味セグメンテーションの3つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-12-15T15:58:03Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Unified Multi-Domain Learning and Data Imputation using Adversarial Autoencoder [5.933303832684138]
  マルチドメイン学習(MDL)、データ計算(DI)、マルチタスク学習(MTL)を組み合わせた新しいフレームワークを提案する。 本手法のコアとなるのは,(1)ドメイン間の差を小さくするためにドメイン不変な埋め込みを生成すること,(2)各ドメインのデータ分布を学習し,欠落データに対するデータ計算を正しく行うこと,である。
  論文  参考訳（メタデータ） (2020-03-15T19:55:07Z)
• Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
  マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。 複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。 4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-12T08:37:42Z)

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。