論文の概要: Out-of-Domain Robustness via Targeted Augmentations

• arxiv url: http://arxiv.org/abs/2302.11861v2
• Date: Tue, 27 Jun 2023 00:19:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 17:27:33.070619
• Title: Out-of-Domain Robustness via Targeted Augmentations
• Title（参考訳）: ターゲット拡張による領域外ロバスト性
• Authors: Irena Gao, Shiori Sagawa, Pang Wei Koh, Tatsunori Hashimoto, Percy Liang
• Abstract要約: 領域外一般化のためのデータ拡張設計の原理を考察する。 線形設定に関する理論的解析により動機付けを行い,対象拡大を提案する。 その結果,OOD性能は3.2～15.2%向上した。
• 参考スコア（独自算出の注目度）: 98.59138920123291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Models trained on one set of domains often suffer performance drops on unseen domains, e.g., when wildlife monitoring models are deployed in new camera locations. In this work, we study principles for designing data augmentations for out-of-domain (OOD) generalization. In particular, we focus on real-world scenarios in which some domain-dependent features are robust, i.e., some features that vary across domains are predictive OOD. For example, in the wildlife monitoring application above, image backgrounds vary across camera locations but indicate habitat type, which helps predict the species of photographed animals. Motivated by theoretical analysis on a linear setting, we propose targeted augmentations, which selectively randomize spurious domain-dependent features while preserving robust ones. We prove that targeted augmentations improve OOD performance, allowing models to generalize better with fewer domains. In contrast, existing approaches such as generic augmentations, which fail to randomize domain-dependent features, and domain-invariant augmentations, which randomize all domain-dependent features, both perform poorly OOD. In experiments on three real-world datasets, we show that targeted augmentations set new states-of-the-art for OOD performance by 3.2-15.2%.
• Abstract（参考訳）: あるドメインでトレーニングされたモデルは、例えば野生生物の監視モデルが新しいカメラの場所にデプロイされる場合など、目に見えないドメインのパフォーマンス低下を被ることが多い。 本研究では、外部ドメイン(OOD)一般化のためのデータ拡張を設計するための原則について研究する。 特に、ドメインに依存しないいくつかの機能が堅牢である実世界のシナリオ、すなわちドメイン毎に異なるいくつかの機能は予測OODである。 例えば、上記の野生生物モニタリングアプリケーションでは、画像の背景はカメラの場所によって異なるが、生息地のタイプを示す。 線形設定に関する理論的解析に動機づけられ,ロバストな特徴を保ちながらスプリアスなドメイン依存特徴を選択的にランダム化する目標拡張法を提案する。 対象の拡張によってOOD性能が向上し、より少ないドメインでモデルを一般化できることを示す。 対照的に、ドメイン依存機能のランダム化に失敗したジェネリック拡張や、すべてのドメイン依存機能のランダム化を行うドメイン不変拡張といった既存のアプローチは、いずれもOODが不十分である。 実世界の3つのデータセットの実験では、ターゲット拡張によってOODのパフォーマンスが3.2～15.2%向上した。

関連論文リスト

• DomainDrop: Suppressing Domain-Sensitive Channels for Domain Generalization [25.940491294232956]
  DomainDropは、チャンネルの堅牢性をドメインシフトに継続的に拡張するフレームワークである。 我々のフレームワークは、他の競合する手法と比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-08-20T14:48:52Z)
• Single Domain Dynamic Generalization for Iris Presentation Attack Detection [41.126916126040655]
  アイリスプレゼンテーションの一般化はドメイン内の設定では大きな成功を収めたが、目に見えないドメインでは容易に分解できる。 本稿では,ドメイン不変性とドメイン固有性を利用した単一ドメイン動的一般化(SDDG)フレームワークを提案する。 提案手法は有効であり,LivDet-Iris 2017データセットの最先端性を上回っている。
  論文  参考訳（メタデータ） (2023-05-22T07:54:13Z)
• Domain-incremental Cardiac Image Segmentation with Style-oriented Replay and Domain-sensitive Feature Whitening [67.6394526631557]
  M&Mは、各受信データセットから漸進的に学習し、時間が経つにつれて改善された機能で漸進的に更新する必要がある。 医学的シナリオでは、データのプライバシのため、過去のデータへのアクセスや保存が一般的に許可されないため、これは特に困難である。 本稿では,まず過去のドメイン入力を復元し,モデル最適化中に定期的に再生する新しいドメイン増分学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-09T13:07:36Z)
• Normalization Perturbation: A Simple Domain Generalization Method for Real-World Domain Shifts [133.99270341855728]
  実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。 深層モデルはトレーニングドメインスタイルしか知らない。 このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
  論文  参考訳（メタデータ） (2022-11-08T17:36:49Z)
• TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification [115.31432027711202]
  我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。 これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。 我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
  論文  参考訳（メタデータ） (2021-11-29T01:27:42Z)
• Adaptive Domain-Specific Normalization for Generalizable Person Re-Identification [81.30327016286009]
  一般化可能なRe-IDのための適応型ドメイン固有正規化手法(AdsNorm)を提案する。 本研究では,一般化可能人物 Re-ID に対する適応領域特異的正規化手法 (AdsNorm) を提案する。
  論文  参考訳（メタデータ） (2021-05-07T02:54:55Z)
• Out-of-Distribution Generalization Analysis via Influence Function [25.80365416547478]
  トレーニングとターゲットデータのミスマッチは、機械学習システムにとって大きな課題のひとつだ。 我々は,OOD一般化問題に,ロバスト統計学の古典的ツールであるインフルエンス関数を導入する。 実験領域と提案指標の精度は,OODアルゴリズムが必要かどうか,モデルが優れたOOD一般化を実現するかどうかを判別する上で有効であることを示す。
  論文  参考訳（メタデータ） (2021-01-21T09:59:55Z)
• FixBi: Bridging Domain Spaces for Unsupervised Domain Adaptation [26.929772844572213]
  我々は、ソースとターゲットドメイン間の複数の中間ドメインを拡大するために、固定比に基づくミックスアップを導入する。 我々は、相補的な特性を持つソース支配モデルとターゲット支配モデルを訓練する。 提案手法により,モデルが対象ドメインに徐々にドメイン知識を伝達する。
  論文  参考訳（メタデータ） (2020-11-18T11:58:19Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)

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。