論文の概要: Target Conditioned Representation Independence (TCRI); From Domain-Invariant to Domain-General Representations

• arxiv url: http://arxiv.org/abs/2212.11342v1
• Date: Wed, 21 Dec 2022 20:24:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 15:02:19.736871
• Title: Target Conditioned Representation Independence (TCRI); From Domain-Invariant to Domain-General Representations
• Title（参考訳）: ターゲット条件付き表現独立(TCRI) : ドメイン不変からドメイン一般表現へ
• Authors: Olawale Salaudeen, Oluwasanmi Koyejo
• Abstract要約: ドメイン一般化のためのターゲット条件表現独立(TCRI)目標を提案する。 特に、TCRIは条件付き独立制約によって動機付けられた正規化器を実装している。 TCRIは合成データと実世界のデータの両方に有効であることを示す。
• 参考スコア（独自算出の注目度）: 14.87136964827431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a Target Conditioned Representation Independence (TCRI) objective for domain generalization. TCRI addresses the limitations of existing domain generalization methods due to incomplete constraints. Specifically, TCRI implements regularizers motivated by conditional independence constraints that are sufficient to strictly learn complete sets of invariant mechanisms, which we show are necessary and sufficient for domain generalization. Empirically, we show that TCRI is effective on both synthetic and real-world data. TCRI is competitive with baselines in average accuracy while outperforming them in worst-domain accuracy, indicating desired cross-domain stability.
• Abstract（参考訳）: ドメイン一般化のためのターゲット条件表現独立(TCRI)目標を提案する。 TCRIは、不完全な制約による既存のドメイン一般化メソッドの制限に対処する。 特に、TCRIは条件付き独立性制約によって動機付けられた正規化器を実装しており、ドメインの一般化に必要な不変機構の完全集合を厳密に学習するのに十分である。 実験により,TCRIは合成データと実世界のデータの両方に有効であることがわかった。 TCRIは平均的な精度でベースラインと競合し、最悪のドメインの精度で性能を上回り、望ましいクロスドメイン安定性を示している。

関連論文リスト

• Why Domain Generalization Fail? A View of Necessity and Sufficiency [42.24198904062326]
  我々は、ほとんどのDG研究が非現実的な仮定の下での一般化の理論的保証を確立することに焦点をあてていると論じる。 本稿では,その存在と学習性に必要となる条件のレンズを通して一般化を調べることにより,このギャップに対処することを目的とする。
  論文  参考訳（メタデータ） (2025-02-15T08:07:56Z)
• Unified Language-driven Zero-shot Domain Adaptation [55.64088594551629]
  Unified Language-driven Zero-shot Domain Adaptation (ULDA)は、新しいタスクセットである。 これにより、ドメインIDの知識を明示することなく、単一のモデルを多様なターゲットドメインに適応させることができる。
  論文  参考訳（メタデータ） (2024-04-10T16:44:11Z)
• Order-preserving Consistency Regularization for Domain Adaptation and Generalization [45.64969000499267]
  ディープラーニングモデルは、モデルがドメイン固有の属性に過敏である場合、ドメイン間の課題で失敗する。 クロスドメインタスクのための順序保存一貫性規則化(OCR)を提案する。
  論文  参考訳（メタデータ） (2023-09-23T04:45:42Z)
• Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge [22.285156929279207]
  ドメインの一般化は、目に見えないターゲットドメインでうまく機能する普遍的なモデルを学ぶことを目的としている。 We propose a novel domain generalization framework called Wasserstein Distributionally Robust Domain Generalization (WDRDG)。
  論文  参考訳（メタデータ） (2022-07-11T14:46:50Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Mapping conditional distributions for domain adaptation under generalized target shift [0.0]
  我々は、条件シフトとラベルシフト(GeTarS)の下でのソースとターゲットドメイン間の教師なしドメイン適応(UDA)の問題を考える。 最近のアプローチでは、ドメイン不変表現を学習するが、実際的な制限があり、実際には成り立たない強い仮定に依存している。 本稿では,既存の欠点を回避した,事前訓練された表現の整合化のための,新規で汎用的なアプローチについて検討する。
  論文  参考訳（メタデータ） (2021-10-26T14:25:07Z)
• Towards Corruption-Agnostic Robust Domain Adaptation [76.66523954277945]
  新しいタスクである破損に依存しないロバストドメイン適応(CRDA:Corruption-agnostic Robust Domain Adaptation)を調査します。 1)予測不能な汚職を模倣するために,ドメインの不一致を拡大するサンプルを生成する,Digital Disrepancy Generator (DDG) と呼ばれる簡単なモジュール,2) 対象ドメインの制約を強化するために,対照的な損失を伴う単純かつ効果的な教師学習方式を提案する。
  論文  参考訳（メタデータ） (2021-04-21T06:27:48Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic Segmentation [63.75774438196315]
  Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。 既存のほとんどの手法は、エラーを起こしやすい識別器ネットワークまたは不合理な教師モデルから生じる顕著な負の伝達に悩まされている。 ドメイン間セマンティックセグメンテーションのための不確実性を考慮した整合性正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-04-19T15:30:26Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。