論文の概要: Target Domain Data induces Negative Transfer in Mixed Domain Training
with Disjoint Classes
- arxiv url: http://arxiv.org/abs/2303.01003v1
- Date: Thu, 2 Mar 2023 06:44:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 15:40:36.901103
- Title: Target Domain Data induces Negative Transfer in Mixed Domain Training
with Disjoint Classes
- Title（参考訳）: 解離クラスを用いた混合ドメイントレーニングにおけるターゲットドメインデータによる負の伝達
- Authors: Eryk Banatt, Vickram Rajendran, Liam Packer
- Abstract要約: 現実的なシナリオでは、ターゲットドメイン内で利用可能なトレーニングデータが限られた数のクラスに限られている場合が多い。
対象ドメインと代理ドメインの間に不整合クラスが存在する場合、トレーニング中のターゲットドメインを含めると、大きな負の遷移が生じることを示す。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In practical scenarios, it is often the case that the available training data
within the target domain only exist for a limited number of classes, with the
remaining classes only available within surrogate domains. We show that
including the target domain in training when there exist disjoint classes
between the target and surrogate domains creates significant negative transfer,
and causes performance to significantly decrease compared to training without
the target domain at all. We hypothesize that this negative transfer is due to
an intermediate shortcut that only occurs when multiple source domains are
present, and provide experimental evidence that this may be the case. We show
that this phenomena occurs on over 25 distinct domain shifts, both synthetic
and real, and in many cases deteriorates the performance to well worse than
random, even when using state-of-the-art domain adaptation methods.
- Abstract（参考訳）: 現実的なシナリオでは、ターゲットドメイン内で利用可能なトレーニングデータが限られた数のクラスだけに存在する場合が多く、残りのクラスは代理ドメイン内でのみ利用できる。
対象ドメインと代理ドメインの間に不整合クラスが存在する場合のトレーニング対象ドメインを含めると、大きな負の転送が発生し、対象ドメインを含まないトレーニングに比べてパフォーマンスが著しく低下することを示す。
この負の転送は、複数のソースドメインが存在する場合にのみ発生する中間的ショートカットによるものであると仮定し、これがそうである可能性を実験的に証明する。
この現象は合成と実数の両方で25以上の異なる領域シフトで発生し、多くの場合、最先端のドメイン適応法を用いても性能がランダムに低下する。
関連論文リスト
- Multi-modal Instance Refinement for Cross-domain Action Recognition [25.734898762987083]
教師なしのクロスドメインアクション認識は、既存の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新しいラベル付きターゲットドメインに適応させることを目的としている。
強化学習に基づく負の伝達を軽減するために,MMIR法を提案する。
提案手法は,EPIC-Kitchensベンチマークを用いたクロスドメイン動作認識において,他の最先端のベースラインよりも優れている。
論文 参考訳（メタデータ） (2023-11-24T05:06:28Z) - Cross-domain Transfer of defect features in technical domains based on
partial target data [0.0]
多くの技術的ドメインでは、不十分に表現されているのは欠陥やデファクトクラスのみである。
提案手法は,CNNエンコーダをベースとして,そのような条件に対処する。
技術的および非技術的領域でベンチマークされ、合理的な分類結果を示す。
論文 参考訳（メタデータ） (2022-11-24T15:23:58Z) - MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised
Domain Adaptation [71.4942277262067]
本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。
我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
論文 参考訳（メタデータ） (2022-07-25T17:55:28Z) - Domain Generalization via Selective Consistency Regularization for Time
Series Classification [16.338176636365752]
ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。
本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
論文 参考訳（メタデータ） (2022-06-16T01:57:35Z) - 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) - Cost-effective Framework for Gradual Domain Adaptation with
Multifidelity [3.6042575355093907]
ドメイン適応では、ソースとターゲットドメインの間に大きな距離がある場合、予測性能は低下する。
マルチ忠実度とアクティブドメイン適応を組み合わせたフレームワークを提案する。
提案手法の有効性を,人工と実世界の両方のデータセットを用いた実験により評価した。
論文 参考訳（メタデータ） (2022-02-09T09:44:39Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳（メタデータ） (2021-06-10T06:32:30Z) - Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification [14.840925517957258]
本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
論文 参考訳（メタデータ） (2020-08-19T17:41:37Z) - 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) - Differential Treatment for Stuff and Things: A Simple Unsupervised
Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。
我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。
提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
論文 参考訳（メタデータ） (2020-03-18T04:43:25Z) - 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。