論文の概要: MiddleGAN: Generate Domain Agnostic Samples for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2211.03144v1
• Date: Sun, 6 Nov 2022 15:09:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 15:34:27.219061
• Title: MiddleGAN: Generate Domain Agnostic Samples for Unsupervised Domain Adaptation
• Title（参考訳）: MiddleGAN: 教師なしドメイン適応のためのドメイン非依存サンプルの生成
• Authors: Ye Gao, Zhendong Chu, Hongning Wang, John Stankovic
• Abstract要約: 対象領域における最終分類タスクを実行する分類器を暗黙的に学習させて分類を行う。 トレーニング中に分類器に入力することで、ソースドメインとターゲットドメインの両方のサンプルに類似した偽のサンプルを生成する。 そこで本研究では, ソースドメインとターゲットドメインの両方のサンプルに類似した偽のサンプルを生成する, MiddleGAN (Generative Adversarial Network) を新たに提案する。
• 参考スコア（独自算出の注目度）: 35.00283311401667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, machine learning has achieved impressive results across different application areas. However, machine learning algorithms do not necessarily perform well on a new domain with a different distribution than its training set. Domain Adaptation (DA) is used to mitigate this problem. One approach of existing DA algorithms is to find domain invariant features whose distributions in the source domain are the same as their distribution in the target domain. In this paper, we propose to let the classifier that performs the final classification task on the target domain learn implicitly the invariant features to perform classification. It is achieved via feeding the classifier during training generated fake samples that are similar to samples from both the source and target domains. We call these generated samples domain-agnostic samples. To accomplish this we propose a novel variation of generative adversarial networks (GAN), called the MiddleGAN, that generates fake samples that are similar to samples from both the source and target domains, using two discriminators and one generator. We extend the theory of GAN to show that there exist optimal solutions for the parameters of the two discriminators and one generator in MiddleGAN, and empirically show that the samples generated by the MiddleGAN are similar to both samples from the source domain and samples from the target domain. We conducted extensive evaluations using 24 benchmarks; on the 24 benchmarks, we compare MiddleGAN against various state-of-the-art algorithms and outperform the state-of-the-art by up to 20.1\% on certain benchmarks.
• Abstract（参考訳）: 近年、機械学習は様々なアプリケーション領域で印象的な成果を上げている。 しかし、機械学習アルゴリズムは、トレーニングセットとは異なる分布を持つ新しいドメインで必ずしもうまく機能するとは限らない。 ドメイン適応(DA)はこの問題を緩和するために使われる。 既存のDAアルゴリズムの1つのアプローチは、ソース領域の分布がターゲット領域の分布と同じであるようなドメイン不変性を見つけることである。 本稿では,対象領域で最終的な分類タスクを行う分類器が,不変な特徴を暗黙的に学習して分類を行うことを提案する。 トレーニング中に分類器に入力することで、ソースドメインとターゲットドメインの両方のサンプルに似た偽のサンプルを生成する。 生成されたサンプルをドメインに依存しないサンプルと呼んでいます。 これを実現するために,2つの判別器と1つの生成器を用いて,ソースドメインとターゲットドメインの両方のサンプルと類似した偽のサンプルを生成する,新たなgan(generative adversarial networks)を提案する。 2つの判別器と1つのジェネレータのパラメータに対する最適解が存在することを示すために、GANの理論を拡張し、ミドルガンの生成したサンプルがソースドメインのサンプルとターゲットドメインのサンプルの両方に類似していることを実証的に示す。 我々は24のベンチマークを用いて広範囲な評価を行い、24のベンチマークでは、MiddleGANを様々な最先端アルゴリズムと比較し、特定のベンチマークで20.1\%の精度で最先端のアルゴリズムを上回りました。

関連論文リスト

• ProtoGMM: Multi-prototype Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation [0.8213829427624407]
  ドメイン適応型セマンティックセグメンテーションは、ラベルのないターゲットドメインに対して正確で高密度な予測を生成することを目的としている。 本稿では,GMMを比較学習に組み込んだProtoGMMモデルを提案する。 クラス間のセマンティックな類似性の向上,クラス間の類似性の低下,およびソースドメインとターゲットドメイン間のドメインアライメントを実現するために,マルチプロトタイプコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2024-06-27T14:50:50Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Generation, augmentation, and alignment: A pseudo-source domain based method for source-free domain adaptation [2.774526723254576]
  モデルはモデルをトレーニングするためにラベル付きソースサンプルとラベルなしターゲットサンプルの両方に同時にアクセスする必要がある。 本稿では,この観測から着想を得た疑似ソース領域に基づく新しい手法を提案する。 提案手法の有効性を実世界の3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2021-09-09T03:21:58Z)
• Cross-Domain Gradient Discrepancy Minimization for Unsupervised Domain Adaptation [22.852237073492894]
  Unsupervised Domain Adaptation (UDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに学習された知識を一般化することを目的としている。 本稿では,ソースサンプルとターゲットサンプルが生成する勾配の差を明示的に最小化する,クロスドメイン離散化(CGDM)手法を提案する。 対象サンプルの勾配信号を計算するために,クラスタリングに基づく自己教師型学習を通じて,対象の擬似ラベルを求める。
  論文  参考訳（メタデータ） (2021-06-08T07:35:40Z)
• 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)
• 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)
• Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources [68.31273535702256]
  我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。 C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。 3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-11-17T14:50:55Z)
• 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)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。