論文の概要: Source-Free Unsupervised Domain Adaptation: A Survey
- arxiv url: http://arxiv.org/abs/2301.00265v1
- Date: Sat, 31 Dec 2022 18:44:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 13:42:02.596901
- Title: Source-Free Unsupervised Domain Adaptation: A Survey
- Title(参考訳): ソースフリー非教師なしドメイン適応:調査
- Authors: Yuqi Fang, Pew-Thian Yap, Weili Lin, Hongtu Zhu, and Mingxia Liu
- Abstract要約: ディープラーニングによる教師なしドメイン適応(UDA)は、ドメインシフト問題に取り組む上で魅力的な関心を集めている。
近年,学習済みのソースモデルからラベルなしのターゲットドメインへの知識伝達を行う,ソースフリーな非教師なしドメイン適応(SFUDA)法が多数提案されている。
本稿では,既存のSFUDAアプローチについて,技術的観点からタイムリーかつ体系的な文献レビューを行う。
- 参考スコア(独自算出の注目度): 32.48017861767467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation (UDA) via deep learning has attracted
appealing attention for tackling domain-shift problems caused by distribution
discrepancy across different domains. Existing UDA approaches highly depend on
the accessibility of source domain data, which is usually limited in practical
scenarios due to privacy protection, data storage and transmission cost, and
computation burden. To tackle this issue, many source-free unsupervised domain
adaptation (SFUDA) methods have been proposed recently, which perform knowledge
transfer from a pre-trained source model to unlabeled target domain with source
data inaccessible. A comprehensive review of these works on SFUDA is of great
significance. In this paper, we provide a timely and systematic literature
review of existing SFUDA approaches from a technical perspective. Specifically,
we categorize current SFUDA studies into two groups, i.e., white-box SFUDA and
black-box SFUDA, and further divide them into finer subcategories based on
different learning strategies they use. We also investigate the challenges of
methods in each subcategory, discuss the advantages/disadvantages of white-box
and black-box SFUDA methods, conclude the commonly used benchmark datasets, and
summarize the popular techniques for improved generalizability of models
learned without using source data. We finally discuss several promising future
directions in this field.
- Abstract(参考訳): 深層学習による教師なしドメイン適応(UDA)は、異なるドメイン間の分散不一致に起因するドメインシフト問題に対処する上で、魅力的な注目を集めている。
既存のUDAアプローチは、プライバシ保護、データストレージと送信コスト、計算負荷などにより、現実的なシナリオで制限されるソースドメインデータのアクセシビリティに大きく依存する。
この問題に対処するために、ソースデータにアクセスできないラベルなしのターゲットドメインへの知識転送を行う、ソースフリーな非教師なしドメイン適応(sfuda)手法が最近提案されている。
SFUDAに関するこれらの研究の包括的なレビューは、非常に重要である。
本稿では,既存のSFUDAアプローチについて,技術的観点からタイムリーかつ体系的な文献レビューを行う。
具体的には、現在のSFUDA研究を、ホワイトボックスのSFUDAとブラックボックスのSFUDAの2つのグループに分類し、使用する学習戦略に基づいて、それらをより細かなサブカテゴリに分類する。
また,各サブカテゴリにおける手法の課題について検討し,ホワイトボックスとブラックボックスのSFUDA手法の利点と欠点について考察し,一般的なベンチマークデータセットを結論付け,ソースデータを用いずに学習したモデルの一般化性を向上させるための一般的な手法を要約する。
この分野でのいくつかの将来的な方向性について論じる。
関連論文リスト
- More is Better: Deep Domain Adaptation with Multiple Sources [34.26271755493111]
マルチソースドメイン適応(MDA)は、ラベル付きデータを異なる分布を持つ複数のソースから収集できる、強力で実用的な拡張である。
本調査では,まず様々なMDA戦略を定義し,その後,異なる視点から,深層学習時代の現代MDA手法を体系的に要約し,比較する。
論文 参考訳(メタデータ) (2024-05-01T03:37:12Z) - UFDA: Universal Federated Domain Adaptation with Practical Assumptions [33.06684706053823]
本稿では,Universal Federated Domain Adaptation(UFDA)という,より実践的なシナリオについて検討する。
ブラックボックスモデルと各ソースドメインのラベルセット情報のみを必要とする。
本稿では,HCLD (Contrastive Label Disambiguation) を用いたホットラーニング手法を提案する。
論文 参考訳(メタデータ) (2023-11-27T06:38:07Z) - A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。
SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。
一般的な3つの分類基準で30以上のSFDA法を比較検討した。
論文 参考訳(メタデータ) (2023-02-23T06:32:09Z) - Learning Feature Decomposition for Domain Adaptive Monocular Depth
Estimation [51.15061013818216]
改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。
教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。
本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
論文 参考訳(メタデータ) (2022-07-30T08:05:35Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳(メタデータ) (2022-04-24T12:22:19Z) - 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) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳(メタデータ) (2020-09-01T00:06:50Z) - Multi-source Domain Adaptation in the Deep Learning Era: A Systematic
Survey [53.656086832255944]
マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。
MDAは学術と産業の両方で注目を集めている。
論文 参考訳(メタデータ) (2020-02-26T08:07:58Z)
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。