論文の概要: Unified Optimal Transport Framework for Universal Domain Adaptation

• arxiv url: http://arxiv.org/abs/2210.17067v1
• Date: Mon, 31 Oct 2022 05:07:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 17:43:54.505164
• Title: Unified Optimal Transport Framework for Universal Domain Adaptation
• Title（参考訳）: ユニバーサルドメイン適応のための統一最適輸送フレームワーク
• Authors: Wanxing Chang, Ye Shi, Hoang Duong Tuan, Jingya Wang
• Abstract要約: Universal Domain Adaptation (UniDA) は、ソースドメインからターゲットドメインに、ラベルセットに制約を加えることなく知識を転送することを目的としている。 既存のほとんどの手法では、共通サンプルを検出するために手動で指定または手動のしきい値を必要とする。 我々は、これらの問題を統一されたフレームワーク、すなわちUniOTで処理するために、最適なトランスポート(OT)を提案する。
• 参考スコア（独自算出の注目度）: 27.860165056943796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Universal Domain Adaptation (UniDA) aims to transfer knowledge from a source domain to a target domain without any constraints on label sets. Since both domains may hold private classes, identifying target common samples for domain alignment is an essential issue in UniDA. Most existing methods require manually specified or hand-tuned threshold values to detect common samples thus they are hard to extend to more realistic UniDA because of the diverse ratios of common classes. Moreover, they cannot recognize different categories among target-private samples as these private samples are treated as a whole. In this paper, we propose to use Optimal Transport (OT) to handle these issues under a unified framework, namely UniOT. First, an OT-based partial alignment with adaptive filling is designed to detect common classes without any predefined threshold values for realistic UniDA. It can automatically discover the intrinsic difference between common and private classes based on the statistical information of the assignment matrix obtained from OT. Second, we propose an OT-based target representation learning that encourages both global discrimination and local consistency of samples to avoid the over-reliance on the source. Notably, UniOT is the first method with the capability to automatically discover and recognize private categories in the target domain for UniDA. Accordingly, we introduce a new metric H^3-score to evaluate the performance in terms of both accuracy of common samples and clustering performance of private ones. Extensive experiments clearly demonstrate the advantages of UniOT over a wide range of state-of-the-art methods in UniDA.
• Abstract（参考訳）: Universal Domain Adaptation (UniDA) は、ソースドメインからターゲットドメインに、ラベルセットに制約を加えることなく知識を転送することを目的としている。 両方のドメインがプライベートクラスを持つ可能性があるので、ドメインアライメントのためのターゲットの共通サンプルを特定することは、UniDAにとって重要な問題である。 既存の手法の多くは、共通サンプルを検出するために手動で指定または手動のしきい値を必要とするため、共通クラスの割合が多様であるため、より現実的なUniDAに拡張することは困難である。 さらに、これらのプライベートサンプルを全体として扱うため、ターゲットプライベートサンプル間で異なるカテゴリを認識することはできない。 本稿では,これらの問題を統一されたフレームワーク,すなわち UniOT で処理するために Optimal Transport (OT) を提案する。 まず,適応充填を用いたOTベースの部分アライメントにより,現実的UniDAのしきい値のない共通クラスを検出する。 OTから得られた代入行列の統計情報に基づいて,共通クラスと私クラスの固有差を自動的に検出する。 第2に,サンプルのグローバルな識別と局所的な一貫性の両立を促すOTに基づくターゲット表現学習を提案する。 特に、UniOTは、UniDAのターゲットドメイン内のプライベートカテゴリを自動的に検出し、認識する機能を持つ最初の方法である。 そこで我々は,共通サンプルの精度とプライベートサンプルのクラスタリング性能の両面から評価するために,新しい計量H^3スコアを導入した。 広範な実験は、UniDAの幅広い最先端手法に対するUniOTの利点を明らかに示している。

関連論文リスト

• Tackling Dimensional Collapse toward Comprehensive Universal Domain Adaptation [11.875619863954238]
  Universal Domain Adaptation (UniDA)は、共有サブセットを除いて、ターゲットクラスがソースクラスと任意に異なる可能性のある、教師なしのドメイン適応に対処する。 重要なアプローチである部分的ドメインマッチング(PDM)は、共有クラスのみをアライメントするが、多くのソースクラスがターゲットドメインに存在しない極端なケースで苦労し、ソースデータのみをトレーニングする最も単純なベースラインを過小評価する。 本稿では,学習表現の内在的構造を維持するために,ラベルのない対象データに基づいて,現代の自己教師学習(SSL)におけるアライメントと統一性を共同で活用することを提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:51:37Z)
• Universal Semi-Supervised Domain Adaptation by Mitigating Common-Class Bias [16.4249819402209]
  我々はUniversal Semi-Supervised Domain Adaptation (UniSSDA)を紹介する。 UniSSDAはUniversal Domain Adaptation (UniDA)とSemi-Supervised Domain Adaptation (SSDA)の交差点にある 疑似ラベルによる共通クラスバイアスの強化を抑えるための,事前誘導型擬似ラベル改善戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-17T14:43:47Z)
• Upcycling Models under Domain and Category Shift [95.22147885947732]
  グローバルかつ局所的なクラスタリング学習技術(GLC)を導入する。 我々は、異なる対象クラス間での区別を実現するために、新しい1-vs-allグローバルクラスタリングアルゴリズムを設計する。 注目すべきは、最も困難なオープンパーティルセットDAシナリオにおいて、GLCは、VisDAベンチマークでUMADを14.8%上回っていることである。
  論文  参考訳（メタデータ） (2023-03-13T13:44:04Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく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） (2023-03-10T14:11:09Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• 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)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
  Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。 本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。 具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
  論文  参考訳（メタデータ） (2020-08-27T01:29:10Z)

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。