論文の概要: AIDA: Legal Judgment Predictions for Non-Professional Fact Descriptions via Partial-and-Imbalanced Domain Adaptation

• arxiv url: http://arxiv.org/abs/2302.07728v1
• Date: Sun, 12 Feb 2023 07:04:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 14:39:40.754445
• Title: AIDA: Legal Judgment Predictions for Non-Professional Fact Descriptions via Partial-and-Imbalanced Domain Adaptation
• Title（参考訳）: AIDA: 部分整合ドメイン適応による非専門的ファクト記述に対する法的判断予測
• Authors: Guangyi Xiao, Xinlong Liu, Hao Chen, Jingzhi Guo and Zhiguo Gong
• Abstract要約: 本研究では,不均衡なソースドメインから部分的ターゲットドメインへの法的ドメイン適応問題について検討する。 本課題は,非専門的事実記述に対する法的判断の予測を改善することである。 我々はこのタスクを部分的・不均衡な領域適応問題として定式化する。
• 参考スコア（独自算出の注目度）: 12.455186698657451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the problem of legal domain adaptation problem from an imbalanced source domain to a partial target domain. The task aims to improve legal judgment predictions for non-professional fact descriptions. We formulate this task as a partial-and-imbalanced domain adaptation problem. Though deep domain adaptation has achieved cutting-edge performance in many unsupervised domain adaptation tasks. However, due to the negative transfer of samples in non-shared classes, it is hard for current domain adaptation model to solve the partial-and-imbalanced transfer problem. In this work, we explore large-scale non-shared but related classes data in the source domain with a hierarchy weighting adaptation to tackle this limitation. We propose to embed a novel pArtial Imbalanced Domain Adaptation technique (AIDA) in the deep learning model, which can jointly borrow sibling knowledge from non-shared classes to shared classes in the source domain and further transfer the shared classes knowledge from the source domain to the target domain. Experimental results show that our model outperforms the state-of-the-art algorithms.
• Abstract（参考訳）: 本稿では,不均衡なソースドメインから部分的ターゲットドメインへの法的ドメイン適応問題について検討する。 本課題は,非専門的事実記述に対する法的判断の予測を改善することである。 我々はこのタスクを部分不均衡領域適応問題として定式化する。 ディープドメイン適応は多くの教師なしドメイン適応タスクで最先端の性能を達成している。 しかし、非共有クラスにおけるサンプルの負の転送のため、現在のドメイン適応モデルが部分的不均衡な転送問題を解決することは困難である。 本研究では、この制限に対処するために階層重み付け適応を用いたソース領域における大規模非共有クラスデータについて検討する。 本稿では,非共有クラスから共有クラスへの共有クラスへの共有クラス知識を共同で借用し,さらにソースドメインから対象ドメインへの共有クラス知識の伝達を可能にする,新しいpArtial Im Balanced Domain Adaptation Technique (AIDA) をディープラーニングモデルに組み込むことを提案する。 実験の結果,我々のモデルは最先端のアルゴリズムよりも優れていた。

関連論文リスト

• Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
  遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。 この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。 この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:17:47Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中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知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Dynamic Weighted Learning for Unsupervised Domain Adaptation [8.561417040954742]
  unsupervised domain adaptation (uda) は、完全なラベル付きソースドメインからの情報を活用し、ラベルなしのターゲットドメインの分類性能を向上させることを目的としている。 最近のアプローチでは、このタスクに取り組むためにドメイン不変およびクラス差別表現を検討している。 過度のアライメント学習による識別性消失問題や過度の識別学習によるドメイン不整合問題を回避するために,動的重み学習(DWL)を提案する。
  論文  参考訳（メタデータ） (2021-03-22T16:11:04Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• A Brief Review of Domain Adaptation [1.2043574473965317]
  本稿では、ラベルがソースドメインでのみ利用可能となる、教師なしドメイン適応に焦点を当てる。 ドメイン適応問題に対処することを目的とした、浅層および深層ドメイン適応アプローチが成功している。
  論文  参考訳（メタデータ） (2020-10-07T07:05:32Z)
• Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain Adaptation [7.538482310185133]
  本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。 Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
  論文  参考訳（メタデータ） (2020-05-25T19:54:38Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)
• Gradually Vanishing Bridge for Adversarial Domain Adaptation [156.46378041408192]
  我々は,ジェネレータと判別器の両方にGVB(Gradually Vanishing Bridge)機構を併用した対向領域適応を行う。 ジェネレータでは、GVBは全体の転送困難を軽減できるだけでなく、残留ドメイン固有の特性の影響を低減できる。 判別器では、GVBは識別能力を高め、敵の訓練過程のバランスをとることに寄与する。
  論文  参考訳（メタデータ） (2020-03-30T01:36:13Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。