Fugu-MT 論文翻訳(概要): Renewing Iterative Self-labeling Domain Adaptation with Application to the Spine Motion Prediction

論文の概要: Renewing Iterative Self-labeling Domain Adaptation with Application to the Spine Motion Prediction

arxiv url: http://arxiv.org/abs/2211.09064v1
Date: Mon, 14 Nov 2022 21:06:02 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 16:51:10.399059
Title: Renewing Iterative Self-labeling Domain Adaptation with Application to the Spine Motion Prediction
Title（参考訳）: 反復型自己ラベル領域適応の更新と松運動予測への応用
Authors: Gecheng Chen, Yu Zhou, Xudong Zhang, Rui Tuo
Abstract要約: Renewing Iterative Self-labeling Domain Adaptation (Re-ISDA) と呼ばれる新しいトランスファー学習アルゴリズムを提案する。本研究では,Renewing Iterative Self-labeling Domain Adaptation (Re-ISDA)と呼ばれる新しいトランスファー学習アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 8.479805437194166
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The area of transfer learning comprises supervised machine learning methods that cope with the issue when the training and testing data have different input feature spaces or distributions. In this work, we propose a novel transfer learning algorithm called Renewing Iterative Self-labeling Domain Adaptation (Re-ISDA). In this work, we propose a novel transfer learning algorithm called Renewing Iterative Self-labeling Domain Adaptation (Re-ISDA).
Abstract（参考訳）: 転送学習の領域は、トレーニングおよびテストデータが異なる入力特徴空間または分布を持つ場合に問題に対処する教師付き機械学習方法を含む。本研究では,Renewing Iterative Self-labeling Domain Adaptation (Re-ISDA) と呼ばれる新しいトランスファー学習アルゴリズムを提案する。本研究では,Renewing Iterative Self-labeling Domain Adaptation (Re-ISDA) と呼ばれる新しいトランスファー学習アルゴリズムを提案する。

関連論文リスト

CHATTY: Coupled Holistic Adversarial Transport Terms with Yield for Unsupervised Domain Adaptation [1.87446486236017]
我々はCHATTYと呼ばれる新しい手法を提案する。敵対的トレーニングは、ニューラルネットワークの特徴抽出層をトレーニングするために、ドメイン判別器ヘッドからの勾配を反転させることで、ドメイン不変表現の学習に一般的に使用される。本稿では,ソースとターゲットドメインの出力を学習可能な方法で置き換えるサブネットワークを提案する。
論文参考訳（メタデータ） (2023-04-19T13:00:23Z)
Exploiting Instance-based Mixed Sampling via Auxiliary Source Domain Supervision for Domain-adaptive Action Detection [75.38704117155909]
本稿では,新しいドメイン適応型行動検出手法と新しい適応プロトコルを提案する。クロスドメイン混合サンプリングと組み合わせた自己学習は、UDAコンテキストにおいて顕著なパフォーマンス向上を示した。我々は提案したフレームワークをドメイン適応アクション・インスタンス・ミックス(DA-AIM)と呼ぶ。
論文参考訳（メタデータ） (2022-09-28T22:03:25Z)
Variational Transfer Learning using Cross-Domain Latent Modulation [1.9662978733004601]
本稿では,効率的な転送学習を実現するために,新しいドメイン間遅延変調機構を変分オートエンコーダフレームワークに導入する。ソース領域とターゲット領域の深部表現は、まず統一推論モデルにより抽出され、勾配逆数を用いて整列される。学習した深層表現は、一貫性の制約が適用される代替ドメインの潜在エンコーディングにクロスモデレートされる。
論文参考訳（メタデータ） (2022-05-31T03:47:08Z)
AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2021-06-10T05:01:20Z)
Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation [88.86865069583149]
Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。 RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
論文参考訳（メタデータ） (2021-03-22T08:32:55Z)
Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
マルチソースドメイン適応(MSDA)は、複数のラベル付きソースドメインからラベルなしターゲットドメインへのタスク知識の転送を扱う。ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
論文参考訳（メタデータ） (2021-03-20T12:44:13Z)
Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2020-12-07T03:37:38Z)
Adversarial Weighting for Domain Adaptation in Regression [4.34858896385326]
制御ドメイン適応の文脈において、回帰タスクを処理するための新しいインスタンスベースのアプローチを提案する。本研究では,情報源重み付け方式とタスクを1つのフィードフォワード勾配下で学習する逆ネットワークアルゴリズムを開発した。
論文参考訳（メタデータ） (2020-06-15T09:44:04Z)
Unsupervised Domain Adaptation Through Transferring both the Source-Knowledge and Target-Relatedness Simultaneously [16.569154681060642]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、機械学習とパターン認識の分野における新たな研究トピックである。ソースドメインから知識を転送することで、ラベルのないターゲットドメインの学習を支援することを目的としています。
論文参考訳（メタデータ） (2020-03-18T05:27:28Z)
Continuous Domain Adaptation with Variational Domain-Agnostic Feature Replay [78.7472257594881]
非定常環境での学習は、機械学習における最大の課題の1つだ。非定常性はタスクドリフトまたはドメインドリフトによって引き起こされる。本稿では,3つのコンポーネントから構成されるアプローチである変分ドメインに依存しない特徴リプレイを提案する。
論文参考訳（メタデータ） (2020-03-09T19:50:24Z)

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。