論文の概要: DARE-GRAM : Unsupervised Domain Adaptation Regression by Aligning Inverse Gram Matrices

• arxiv url: http://arxiv.org/abs/2303.13325v1
• Date: Thu, 23 Mar 2023 15:04:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 13:48:29.254493
• Title: DARE-GRAM : Unsupervised Domain Adaptation Regression by Aligning Inverse Gram Matrices
• Title（参考訳）: DARE-GRAM : 逆グラム行列の調整による教師なし領域適応回帰
• Authors: Ismail Nejjar and Qin Wang and Olga Fink
• Abstract要約: Unlabelled Domain Adaptation Regression (DAR)は、ラベル付きソースデータセットと、レグレッション問題のための教師なしターゲットデータセットの間のドメインギャップを埋めることを目的としている。 本稿では, 線形回帰器に対する閉形式正規最小二乗(OLS)解を深い領域適応文脈で解析することにより, DAR問題に対する異なる視点を示す。 擬似逆低ランク特性を利用して選択した部分空間のスケールと角度を整列する簡易かつ効果的なDAR法を提案する。
• 参考スコア（独自算出の注目度）: 3.5933327773749513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Domain Adaptation Regression (DAR) aims to bridge the domain gap between a labeled source dataset and an unlabelled target dataset for regression problems. Recent works mostly focus on learning a deep feature encoder by minimizing the discrepancy between source and target features. In this work, we present a different perspective for the DAR problem by analyzing the closed-form ordinary least square~(OLS) solution to the linear regressor in the deep domain adaptation context. Rather than aligning the original feature embedding space, we propose to align the inverse Gram matrix of the features, which is motivated by its presence in the OLS solution and the Gram matrix's ability to capture the feature correlations. Specifically, we propose a simple yet effective DAR method which leverages the pseudo-inverse low-rank property to align the scale and angle in a selected subspace generated by the pseudo-inverse Gram matrix of the two domains. We evaluate our method on three domain adaptation regression benchmarks. Experimental results demonstrate that our method achieves state-of-the-art performance. Our code is available at https://github.com/ismailnejjar/DARE-GRAM.
• Abstract（参考訳）: unsupervised domain adaptation regression(dar)は、ラベル付きソースデータセットとラベルなしのターゲットデータセットとのドメインギャップを、回帰問題のために橋渡しすることを目的としている。 最近の研究は主に、ソースとターゲットの機能の相違を最小限にすることで、深い機能エンコーダの学習にフォーカスしている。 本研究では,DAR問題に対して,線形回帰器に対する閉形式正規最小平方~(OLS)解を深い領域適応文脈で解析することにより,異なる視点を示す。 元の特徴埋め込み空間を整列するのではなく,OLS溶液中の存在と特徴相関を捉えるグラム行列の能力によって動機付けられた特徴の逆グラム行列を整列させることを提案する。 具体的には、2つのドメインの擬逆グラム行列によって生成される選択部分空間のスケールと角度を調整するために、擬逆低ランク特性を利用する単純なDAR法を提案する。 提案手法を3つの領域適応回帰ベンチマークで評価する。 実験により,本手法が最先端性能を実現することを示す。 私たちのコードはhttps://github.com/ismailnejjar/DARE-GRAMで利用可能です。

関連論文リスト

• Federated Sufficient Dimension Reduction Through High-Dimensional Sparse Sliced Inverse Regression [4.561305216067566]
  フェデレーション学習は、ビッグデータ時代において、近年人気の高いツールとなっている。 本稿では,初めてフェデレートされたスパースススライス逆回帰アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-23T15:53:06Z)
• AdaTriplet-RA: Domain Matching via Adaptive Triplet and Reinforced Attention for Unsupervised Domain Adaptation [15.905869933337101]
  教師なしドメイン適応(Unsupervised Domain Adaption、UDA)は、ソースドメインのデータとアノテーションが利用できるが、トレーニング中にラベル付けされていないターゲットデータにのみアクセスできるトランスファー学習タスクである。 本稿では、ドメイン間サンプルマッチング方式を用いて、教師なしドメイン適応タスクを改善することを提案する。 ドメイン間サンプルに合わせるために,広く利用され,堅牢なTriplet損失を適用した。 トレーニング中に発生する不正確な擬似ラベルの破滅的効果を低減するため,信頼度の高い擬似ラベルを自動的に選択し,段階的に改良する新しい不確実性測定法を提案する。
  論文  参考訳（メタデータ） (2022-11-16T13:04:24Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Discriminative Noise Robust Sparse Orthogonal Label Regression-based Domain Adaptation [6.61544170496402]
  ドメイン適応(DA)は、ソースドメインから訓練された学習モデルがターゲットドメイン上でうまく一般化できるようにすることを目的としている。 本稿では,非教師付きDA手法,すなわち識別ノイズロバストスパースorthogonal Label Regressionに基づくドメイン適応を提案する。
  論文  参考訳（メタデータ） (2021-01-09T07:10:13Z)
• Learning Domain-invariant Graph for Adaptive Semi-supervised Domain Adaptation with Few Labeled Source Samples [65.55521019202557]
  ドメイン適応は、ソースドメインからモデルを一般化して、関連するが異なるターゲットドメインのタスクに取り組むことを目的としています。 従来のドメイン適応アルゴリズムは、事前知識として扱われる十分なラベル付きデータがソースドメインで利用できると仮定する。 少数のラベル付きソースサンプルを用いたドメイン適応のためのドメイン不変グラフ学習(DGL)手法を提案する。
  論文  参考訳（メタデータ） (2020-08-21T08:13:25Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。