論文の概要: Dirichlet-based Uncertainty Calibration for Active Domain Adaptation

• arxiv url: http://arxiv.org/abs/2302.13824v1
• Date: Mon, 27 Feb 2023 14:33:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 15:19:26.073784
• Title: Dirichlet-based Uncertainty Calibration for Active Domain Adaptation
• Title（参考訳）: アクティブドメイン適応のためのディリクレに基づく不確かさ校正
• Authors: Mixue Xie, Shuang Li, Rui Zhang, Chi Harold Liu
• Abstract要約: アクティブドメイン適応(DA)は、アノテートする限られたターゲットデータを積極的に選択することで、新しいターゲットドメインに対するモデル適応を最大限に向上することを目的としている。 従来のアクティブな学習方法は、ドメインシフトの問題を考慮していないため、効果が低い場合がある。 そこで我々は,iDirichlet-based Uncertainty (DUC) approach for active DAを提案する。
• 参考スコア（独自算出の注目度）: 33.33529827699169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active domain adaptation (DA) aims to maximally boost the model adaptation on a new target domain by actively selecting limited target data to annotate, whereas traditional active learning methods may be less effective since they do not consider the domain shift issue. Despite active DA methods address this by further proposing targetness to measure the representativeness of target domain characteristics, their predictive uncertainty is usually based on the prediction of deterministic models, which can easily be miscalibrated on data with distribution shift. Considering this, we propose a \textit{Dirichlet-based Uncertainty Calibration} (DUC) approach for active DA, which simultaneously achieves the mitigation of miscalibration and the selection of informative target samples. Specifically, we place a Dirichlet prior on the prediction and interpret the prediction as a distribution on the probability simplex, rather than a point estimate like deterministic models. This manner enables us to consider all possible predictions, mitigating the miscalibration of unilateral prediction. Then a two-round selection strategy based on different uncertainty origins is designed to select target samples that are both representative of target domain and conducive to discriminability. Extensive experiments on cross-domain image classification and semantic segmentation validate the superiority of DUC.
• Abstract（参考訳）: アクティブドメイン適応(da)は、アノテートに限定されたターゲットデータを積極的に選択することで、新しいターゲットドメインのモデル適応を最大限に促進することを目的としているが、従来のアクティブな学習手法は、ドメインシフトの問題を考慮していないため、効果が低い。 アクティブなdaメソッドでは、ターゲットドメイン特性の表現性を測定するための目標性がさらに提案されているが、予測の不確実性は、通常、分布シフトのあるデータ上で容易に誤解される決定論的モデルの予測に基づいている。 そこで本研究では,誤校正の軽減と情報的対象標本の選択を同時に行う,アクティブDAのための<textit{Dirichlet-based Uncertainty Calibration} (DUC) アプローチを提案する。 具体的には、予測に先立ってディリクレを配置し、決定論的モデルのような点推定ではなく、確率シンプレックス上の分布として予測を解釈する。 この方法により、一側予測の誤校正を緩和し、可能な全ての予測を考慮できる。 次に、異なる不確かさの起点に基づく2ラウンド選択戦略を設計し、対象領域と識別可能性の両方を表すターゲットサンプルを選択する。 クロスドメイン画像分類とセマンティックセグメンテーションに関する大規模な実験は、DUCの優位性を検証する。

関連論文リスト

• Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with Differentiable Expected Calibration Error [50.86671887712424]
  ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。 ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。 校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-06T03:28:34Z)
• Calibrated Selective Classification [34.08454890436067]
  そこで我々は,「不確か」な不確実性のある例を拒否する手法を提案する。 本稿では,選択的校正モデル学習のためのフレームワークを提案する。そこでは,任意のベースモデルの選択的校正誤差を改善するために,個別のセレクタネットワークを訓練する。 われわれは,複数画像分類と肺癌リスク評価におけるアプローチの実証的効果を実証した。
  論文  参考訳（メタデータ） (2022-08-25T13:31:09Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• Bi-Classifier Determinacy Maximization for Unsupervised Domain Adaptation [24.9073164947711]
  この問題に対処するために,Bi-Classifier Determinacy Maximization (BCDM) を提案する。 対象試料が常に決定境界によって明確に分離できないという観察に動機づけられ,新しい分類器決定性不一致指標を設計する。 BCDMは、ターゲット予測出力の一貫性と決定を促すことにより、識別表現を生成することができる。
  論文  参考訳（メタデータ） (2020-12-13T07:55:39Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation [49.295165476818866]
  本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。 既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。 本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:37:19Z)

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。