論文の概要: Cross-Domain Label Propagation for Domain Adaptation with Discriminative Graph Self-Learning

• arxiv url: http://arxiv.org/abs/2302.08710v1
• Date: Fri, 17 Feb 2023 05:55:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-20 15:38:24.264350
• Title: Cross-Domain Label Propagation for Domain Adaptation with Discriminative Graph Self-Learning
• Title（参考訳）: 識別グラフ自己学習によるドメイン適応のためのクロスドメインラベル伝搬
• Authors: Lei Tian, Yongqiang Tang, Liangchen Hu and Wensheng Zhang
• Abstract要約: ドメイン適応は、十分にラベル付けされたソースデータの知識をラベル付けされていないターゲットデータに転送する。 ドメイン間ラベルの伝搬によって対象の擬似ラベルを推論する新しいドメイン適応手法を提案する。
• 参考スコア（独自算出の注目度）: 8.829109854586573
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Domain adaptation manages to transfer the knowledge of well-labeled source data to unlabeled target data. Many recent efforts focus on improving the prediction accuracy of target pseudo-labels to reduce conditional distribution shift. In this paper, we propose a novel domain adaptation method, which infers target pseudo-labels through cross-domain label propagation, such that the underlying manifold structure of two domain data can be explored. Unlike existing cross-domain label propagation methods that separate domain-invariant feature learning, affinity matrix constructing and target labels inferring into three independent stages, we propose to integrate them into a unified optimization framework. In such way, these three parts can boost each other from an iterative optimization perspective and thus more effective knowledge transfer can be achieved. Furthermore, to construct a high-quality affinity matrix, we propose a discriminative graph self-learning strategy, which can not only adaptively capture the inherent similarity of the data from two domains but also effectively exploit the discriminative information contained in well-labeled source data and pseudo-labeled target data. An efficient iterative optimization algorithm is designed to solve the objective function of our proposal. Notably, the proposed method can be extended to semi-supervised domain adaptation in a simple but effective way and the corresponding optimization problem can be solved with the identical algorithm. Extensive experiments on six standard datasets verify the significant superiority of our proposal in both unsupervised and semi-supervised domain adaptation settings.
• Abstract（参考訳）: ドメイン適応は、よくラベル付けされたソースデータの知識をラベル付けされていないターゲットデータに転送する。 最近の多くの取り組みは、条件付き分布シフトを減らすために標的擬似ラベルの予測精度の向上に焦点を当てている。 本稿では,2つの領域データの底面多様体構造を探索できるように,クロスドメインラベル伝搬を通じて対象の擬似ラベルを推定する新しい領域適応法を提案する。 ドメイン不変特徴学習,親和性行列構築,ターゲットラベルを3つの独立した段階に推定する既存のクロスドメインラベル伝播手法とは異なり,これらを統一最適化フレームワークに統合する。 このようにして、これら3つの部品は反復最適化の観点から互いに強化し合い、より効果的な知識伝達を実現することができる。 さらに,良質なアフィニティマトリックスを構築するために,2つの領域からのデータの固有類似性を適応的に捉えるだけでなく,ラベル付きソースデータと擬似ラベル付きターゲットデータに含まれる識別情報を効果的に活用できる識別グラフ自己学習戦略を提案する。 提案手法の目的関数の解法として,効率的な反復最適化アルゴリズムを提案する。 特に,提案手法を単純かつ効果的な方法で半教師付き領域適応に拡張でき,同一アルゴリズムを用いて対応する最適化問題を解くことができる。 6つの標準データセットに対する大規模な実験は、教師なしと半教師なしの両方のドメイン適応設定において、提案提案の顕著な優位性を検証する。

関連論文リスト

• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• 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)
• 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)
• Sparsely-Labeled Source Assisted Domain Adaptation [64.75698236688729]
  本稿では,Sparsely-Labeled Source Assisted Domain Adaptation (SLSA-DA)アルゴリズムを提案する。 ラベル不足の問題により、ソースドメインとターゲットドメインの両方で投影されたクラスタリングが行われる。
  論文  参考訳（メタデータ） (2020-05-08T15:37:35Z)
• Domain Adaptation by Class Centroid Matching and Local Manifold Self-Learning [8.316259570013813]
  本稿では,対象領域のデータ分散構造を徹底的に探索できる新しい領域適応手法を提案する。 対象領域内の同一クラスタ内のサンプルを個人ではなく全体とみなし、クラスセントロイドマッチングにより擬似ラベルを対象クラスタに割り当てる。 提案手法の目的関数を理論的収束保証を用いて解くために,効率的な反復最適化アルゴリズムを設計した。
  論文  参考訳（メタデータ） (2020-03-20T16:59:27Z)
• 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。