論文の概要: Domain Generalization in Machine Learning Models for Wireless
Communications: Concepts, State-of-the-Art, and Open Issues
- arxiv url: http://arxiv.org/abs/2303.08106v1
- Date: Mon, 13 Mar 2023 15:52:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 13:48:18.254315
- Title: Domain Generalization in Machine Learning Models for Wireless
Communications: Concepts, State-of-the-Art, and Open Issues
- Title(参考訳): 無線通信のための機械学習モデルのドメイン一般化:概念,最新技術,オープンイシュー
- Authors: Mohamed Akrout, Amal Feriani, Faouzi Bellili, Amine Mezghani, Ekram
Hossain
- Abstract要約: データ駆動機械学習(ML)は、次世代無線システムで使用される可能性のある技術のひとつとして推奨されている。
これらのアプリケーションのほとんどは教師あり学習に依存しており、ソース(トレーニング)とターゲット(テスト)データが独立して同じ分散(すなわちd)であると仮定する。
この仮定は、ソースとターゲットデータの間のドメインや分散シフトによって、実世界ではしばしば違反される。
ドメイン一般化(DG)は、異なるソースドメイン/データセットのモデルを学習することで、OOD関連の問題に取り組む。
- 参考スコア(独自算出の注目度): 32.61904205763364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven machine learning (ML) is promoted as one potential technology to
be used in next-generations wireless systems. This led to a large body of
research work that applies ML techniques to solve problems in different layers
of the wireless transmission link. However, most of these applications rely on
supervised learning which assumes that the source (training) and target (test)
data are independent and identically distributed (i.i.d). This assumption is
often violated in the real world due to domain or distribution shifts between
the source and the target data. Thus, it is important to ensure that these
algorithms generalize to out-of-distribution (OOD) data. In this context,
domain generalization (DG) tackles the OOD-related issues by learning models on
different and distinct source domains/datasets with generalization capabilities
to unseen new domains without additional finetuning. Motivated by the
importance of DG requirements for wireless applications, we present a
comprehensive overview of the recent developments in DG and the different
sources of domain shift. We also summarize the existing DG methods and review
their applications in selected wireless communication problems, and conclude
with insights and open questions.
- Abstract(参考訳): データ駆動機械学習(ML)は、次世代無線システムで使用される可能性のある技術のひとつとして推奨されている。
この結果、無線伝送リンクの異なる層における問題を解決するためにML技術を適用した大規模な研究に繋がった。
しかし、これらのアプリケーションのほとんどは教師あり学習に依存しており、ソース(トレーニング)とターゲット(テスト)データは独立であり、同一に分散している(すなわちd)。
この仮定は、ソースとターゲットデータの間のドメインや分散シフトによって、実世界ではしばしば違反される。
したがって、これらのアルゴリズムがアウト・オブ・ディストリビューション(OOD)データに一般化されることを保証することが重要である。
この文脈では、ドメイン一般化(DG)はOODに関連する問題に取り組み、異なる異なるソースドメイン/データセットのモデルを学習し、新たなドメインを追加の微調整なしで認識できるようにする。
本稿では、無線アプリケーションにおけるdg要件の重要性に動機づけられ、最近のdg開発と異なるドメインシフト源の概要を紹介する。
また,既存の dg 手法を要約し,選択した無線通信問題に対するそれらの応用をレビューし,洞察とオープン質問で結論づける。
関連論文リスト
- Federated Domain Generalization: A Survey [12.84261944926547]
機械学習では、データはさまざまなデバイス、組織、エッジノードに分散されることが多い。
この課題に応えて、連邦領域の一般化への関心が高まっている。
本稿では,この領域における最近の進歩に関する最初の調査について述べる。
論文 参考訳(メタデータ) (2023-06-02T07:55:42Z) - On-Device Domain Generalization [93.79736882489982]
ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。
知識蒸留がこの問題の解決の有力な候補であることがわかった。
本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
論文 参考訳(メタデータ) (2022-09-15T17:59:31Z) - Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives [16.68091981866261]
対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
論文 参考訳(メタデータ) (2022-08-15T20:05:07Z) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T08:06:50Z) - Towards Data-Free Domain Generalization [12.269045654957765]
異なるソースデータドメインでトレーニングされたモデルに含まれる知識は、どのようにして単一のモデルにマージされるのか?
以前のドメインの一般化手法は、典型的にはソースドメインデータの使用に依存しており、プライベートな分散データには適さない。
DeKANは、利用可能な教師モデルからドメイン固有の知識を抽出し、融合し、ドメインシフトに頑健な学生モデルに変換するアプローチである。
論文 参考訳(メタデータ) (2021-10-09T11:44:05Z) - COLUMBUS: Automated Discovery of New Multi-Level Features for Domain
Generalization via Knowledge Corruption [12.555885317622131]
ここでは、ソースドメインの集合で訓練されたモデルが、データに触れることなく、目に見えないドメインでうまく一般化されることを期待する領域一般化問題に対処する。
コロンバス(Columbus)は、最も関連性の高い入力とマルチレベルのデータ表現を対象とする汚職によって、新機能の発見を強制する手法である。
論文 参考訳(メタデータ) (2021-09-09T14:52:05Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-03-25T14:33:33Z) - Domain Generalization: A Survey [146.68420112164577]
ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。
初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
論文 参考訳(メタデータ) (2021-03-03T16:12:22Z) - Dual Distribution Alignment Network for Generalizable Person
Re-Identification [174.36157174951603]
ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する
本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。
大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
論文 参考訳(メタデータ) (2020-07-27T00:08:07Z) - Domain Adaptive Ensemble Learning [141.98192460069765]
両問題に対処するため,ドメイン適応アンサンブル学習(DAEL)という統合フレームワークを提案する。
3つのマルチソースUDAデータセットと2つのDGデータセットの実験により、DAELは両方の問題、しばしば大きなマージンによって、技術の状態を改善することが示された。
論文 参考訳(メタデータ) (2020-03-16T16:54:15Z)
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。