論文の概要: Toward Defining a Domain Complexity Measure Across Domains

• arxiv url: http://arxiv.org/abs/2303.04141v1
• Date: Tue, 7 Mar 2023 18:56:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 14:09:33.856996
• Title: Toward Defining a Domain Complexity Measure Across Domains
• Title（参考訳）: ドメインの複雑さの定義に向けて
• Authors: Katarina Doctor, Christine Task, Eric Kildebeck, Mayank Kejriwal, Lawrence Holder, and Russell Leong
• Abstract要約: シミュレータ、テストベッド、ベンチマークデータセットから、よりオープンな領域への移行は、AIシステムに重大な課題をもたらす。 本稿では,ドメインに依存しない領域複雑性の一般的な尺度を提案する。
• 参考スコア（独自算出の注目度）: 5.427513049774693
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Artificial Intelligence (AI) systems planned for deployment in real-world applications frequently are researched and developed in closed simulation environments where all variables are controlled and known to the simulator or labeled benchmark datasets are used. Transition from these simulators, testbeds, and benchmark datasets to more open-world domains poses significant challenges to AI systems, including significant increases in the complexity of the domain and the inclusion of real-world novelties; the open-world environment contains numerous out-of-distribution elements that are not part in the AI systems' training set. Here, we propose a path to a general, domain-independent measure of domain complexity level. We distinguish two aspects of domain complexity: intrinsic and extrinsic. The intrinsic domain complexity is the complexity that exists by itself without any action or interaction from an AI agent performing a task on that domain. This is an agent-independent aspect of the domain complexity. The extrinsic domain complexity is agent- and task-dependent. Intrinsic and extrinsic elements combined capture the overall complexity of the domain. We frame the components that define and impact domain complexity levels in a domain-independent light. Domain-independent measures of complexity could enable quantitative predictions of the difficulty posed to AI systems when transitioning from one testbed or environment to another, when facing out-of-distribution data in open-world tasks, and when navigating the rapidly expanding solution and search spaces encountered in open-world domains.
• Abstract（参考訳）: 実世界のアプリケーションにデプロイするために計画されている人工知能(AI)システムは、すべての変数が制御され、シミュレータやラベル付きベンチマークデータセットが使用されるクローズドシミュレーション環境で頻繁に研究・開発されている。 これらのシミュレータ、テストベッド、ベンチマークデータセットから、よりオープンな領域への遷移は、ドメインの複雑さの著しい増加や現実のノベルティの取り込みなど、AIシステムに重大な課題をもたらす。 ここでは、ドメインに依存しない一般的な領域複雑性尺度への経路を提案する。 私たちはドメインの複雑さの2つの側面を区別します。 固有のドメインの複雑さは、そのドメイン上でタスクを実行するAIエージェントからのアクションやインタラクションなしに、それ自体が持つ複雑さである。 これはドメイン複雑性のエージェント非依存の側面である。 外部ドメインの複雑さはエージェントとタスクに依存します。 内在的および外在的要素の組み合わせはドメイン全体の複雑さを捉える。 ドメインに依存しない方法で、ドメインの複雑さレベルを定義し、影響するコンポーネントをフレーム化します。 複雑さのドメインに依存しない尺度は、あるテストベッドや環境から別のテストベッドへ移行する際にaiシステムに生じる困難さを定量的に予測することができ、また、オープンワールドタスクで分散外データに直面したり、オープンワールドドメインで発生する急速に拡大するソリューションや検索スペースをナビゲートするときにも、その困難さを定量的に予測することができる。

関連論文リスト

• Understanding and Estimating Domain Complexity Across Domains [2.1613662656419406]
  多様な環境にまたがるドメインの複雑さを推定するための一般的なフレームワークを提案する。 これらのカテゴリの次元、空間、多様性を分析することで、ドメインの課題を包括的に見ることができます。
  論文  参考訳（メタデータ） (2023-12-20T23:47:17Z)
• Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
  時系列異常検出は、幅広い現実世界の応用において難しい課題である。 近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。 本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-15T02:28:58Z)
• Towards Generalization on Real Domain for Single Image Dehazing via Meta-Learning [41.99615673136883]
  合成画像から得られた内部情報は、通常、実際の領域では準最適である。 本稿では,メタラーニングに基づくドメイン一般化フレームワークを提案する。 提案手法は,最先端の競争相手よりも優れた一般化能力を有する。
  論文  参考訳（メタデータ） (2022-11-14T07:04:00Z)
• Generalizing to Evolving Domains with Latent Structure-Aware Sequential Autoencoder [32.46804768486719]
  本稿では,Latent Structure-aware Sequential Autoencoder (LSSAE) と呼ばれる確率的フレームワークを導入する。 合成データセットと実世界のデータセットの両方の実験結果から、LSSAEは優れたパフォーマンスをもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-16T13:11:29Z)
• Understanding the Domain Gap in LiDAR Object Detection Networks [1.6661840375100232]
  推論ドメインギャップとトレーニングドメインギャップという、2つの異なるドメインギャップを示します。 推論ギャップは、オブジェクトごとのLiDAR点数に強く依存しているのに対して、トレーニングギャップはそのような依存を示さない。 これらの分岐は、これらの推論を閉じ、ドメインギャップをトレーニングするために異なるアプローチが必要であることを示している。
  論文  参考訳（メタデータ） (2022-04-21T11:18:48Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Learning Task-oriented Disentangled Representations for Unsupervised Domain Adaptation [165.61511788237485]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。 UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2020-07-27T01:21:18Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

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。