論文の概要: Domain-Invariant Feature Alignment Using Variational Inference For Partial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2212.01590v1
• Date: Sat, 3 Dec 2022 10:39:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 17:59:29.696427
• Title: Domain-Invariant Feature Alignment Using Variational Inference For Partial Domain Adaptation
• Title（参考訳）: 部分領域適応のための変分推論を用いた領域不変特徴アライメント
• Authors: Sandipan Choudhuri, Suli Adeniye, Arunabha Sen, Hemanth Venkateswara
• Abstract要約: 提案手法は既存の手法と同等の精度で優れている。 多くのクロスドメイン分類タスクにおける実験結果から,提案手法は既存手法に優れた精度と同等の精度をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 6.04077629908308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The standard closed-set domain adaptation approaches seek to mitigate distribution discrepancies between two domains under the constraint of both sharing identical label sets. However, in realistic scenarios, finding an optimal source domain with identical label space is a challenging task. Partial domain adaptation alleviates this problem of procuring a labeled dataset with identical label space assumptions and addresses a more practical scenario where the source label set subsumes the target label set. This, however, presents a few additional obstacles during adaptation. Samples with categories private to the source domain thwart relevant knowledge transfer and degrade model performance. In this work, we try to address these issues by coupling variational information and adversarial learning with a pseudo-labeling technique to enforce class distribution alignment and minimize the transfer of superfluous information from the source samples. The experimental findings in numerous cross-domain classification tasks demonstrate that the proposed technique delivers superior and comparable accuracy to existing methods.
• Abstract（参考訳）: 標準閉集合領域適応アプローチは、同一ラベル集合を共有するという制約の下で、2つの領域間の分布の相違を緩和しようとする。 しかし、現実的なシナリオでは、同じラベル空間を持つ最適なソースドメインを見つけることは難しい課題である。 部分領域適応は、同じラベル空間の仮定でラベル付きデータセットを調達するこの問題を軽減し、ソースラベルセットがターゲットラベルセットを消費するより実用的なシナリオに対処する。 しかし、これは適応中のいくつかの追加の障害を示している。 ソースドメインにプライベートなカテゴリを持つサンプルは、関連する知識伝達を妨げ、モデルパフォーマンスを低下させる。 本研究では,変分情報と逆学習を疑似ラベル法で結合し,クラス分布のアライメントを強制し,ソースサンプルからの超流動情報の伝達を最小化する手法を提案する。 多数のクロスドメイン分類タスクにおける実験結果から,提案手法が既存の手法に匹敵する精度を示している。

関連論文リスト

• Domain Adaptation Using Pseudo Labels [16.79672078512152]
  ラベル付き対象データがない場合、教師なしのドメイン適応アプローチは、ソースとターゲットドメインの限界分布を整合させようとする。 我々は,複数段階の擬似ラベル修正手法を用いて,対象ドメインの正確なラベルを決定するために事前訓練ネットワークをデプロイする。 複数のデータセットに対する結果から, 複雑な最先端技術と比較して, 簡単な手順の有効性が示された。
  論文  参考訳（メタデータ） (2024-02-09T22:15:11Z)
• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• Coupling Adversarial Learning with Selective Voting Strategy for Distribution Alignment in Partial Domain Adaptation [6.5991141403378215]
  部分的なドメイン適応設定は、同一のラベルセットの仮定を緩和することで現実的なシナリオに適合する。 そこで我々は,クラスネイティブの重み推定に不可欠な高信頼度ターゲット標本の戦略的選択機構を考案した。
  論文  参考訳（メタデータ） (2022-07-17T11:34:56Z)
• 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)
• 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)
• Open Set Domain Adaptation by Extreme Value Theory [22.826118321715455]
  ソースとターゲットラベル空間が部分的な重複のみを前提として、オープンセットのドメイン適応問題に取り組みます。 重み付けが既知のクラスに属するサンプルの可能性を示すドメイン適応のためのインスタンスレベルの重み付け戦略を提案する。 従来のドメイン適応データセットを用いた実験では,提案手法が最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-12-22T19:31:32Z)
• Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation [55.73722120043086]
  部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。 まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。 次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
  論文  参考訳（メタデータ） (2020-12-06T19:29:32Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
  本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。 対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。 テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
  論文  参考訳（メタデータ） (2020-08-04T16:20:37Z)
• Class Distribution Alignment for Adversarial Domain Adaptation [32.95056492475652]
  両領域間のサンプルのクラス分布を明示的に整合させるために, CADIT (Conditional ADversarial Image Translation) を提案する。 識別構造保存損失と連立対向生成損失を統合している。 提案手法は,最先端手法と比較して,対象領域の優れた分類を実現する。
  論文  参考訳（メタデータ） (2020-04-20T15:58:11Z)

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。