論文の概要: Partial Identifiability for Domain Adaptation

• arxiv url: http://arxiv.org/abs/2306.06510v1
• Date: Sat, 10 Jun 2023 19:04:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 18:36:06.179559
• Title: Partial Identifiability for Domain Adaptation
• Title（参考訳）: 領域適応のための部分識別可能性
• Authors: Lingjing Kong, Shaoan Xie, Weiran Yao, Yujia Zheng, Guangyi Chen, Petar Stojanov, Victor Akinwande, Kun Zhang
• Abstract要約: iMSDAと呼ばれる実用的なドメイン適応フレームワークを提案する。 iMSDAは、ベンチマークデータセット上で最先端のドメイン適応アルゴリズムより優れていることを示す。
• 参考スコア（独自算出の注目度）: 17.347755928718872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation is critical to many real-world applications where label information is unavailable in the target domain. In general, without further assumptions, the joint distribution of the features and the label is not identifiable in the target domain. To address this issue, we rely on the property of minimal changes of causal mechanisms across domains to minimize unnecessary influences of distribution shifts. To encode this property, we first formulate the data-generating process using a latent variable model with two partitioned latent subspaces: invariant components whose distributions stay the same across domains and sparse changing components that vary across domains. We further constrain the domain shift to have a restrictive influence on the changing components. Under mild conditions, we show that the latent variables are partially identifiable, from which it follows that the joint distribution of data and labels in the target domain is also identifiable. Given the theoretical insights, we propose a practical domain adaptation framework called iMSDA. Extensive experimental results reveal that iMSDA outperforms state-of-the-art domain adaptation algorithms on benchmark datasets, demonstrating the effectiveness of our framework.
• Abstract（参考訳）: 教師なしのドメイン適応は、ターゲットドメインでラベル情報が利用できない多くの現実世界のアプリケーションにとって重要である。 一般に、それ以上の仮定なしでは、特徴とラベルの合同分布はターゲット領域では特定できない。 この問題に対処するために、我々は分散シフトの不要な影響を最小限に抑えるために、ドメイン間の因果メカニズムの最小限の変更の特性に依存する。 この特性を符号化するために、まず2つの分割された潜在部分空間を持つ潜在変数モデルを用いてデータ生成プロセスを定式化する。 さらに、変化するコンポーネントに制限的な影響を与えるよう、ドメインシフトを制約します。 穏やかな条件下では,潜在変数が部分的に識別可能であることを示し,対象領域におけるデータとラベルの同時分布も識別可能であることを示す。 理論的考察から,iMSDAと呼ばれる実用的なドメイン適応フレームワークを提案する。 大規模な実験結果から,iMSDAはベンチマークデータセット上で最先端のドメイン適応アルゴリズムよりも優れており,フレームワークの有効性が示された。

関連論文リスト

• Subspace Identification for Multi-Source Domain Adaptation [30.98339926222619]
  マルチソースドメイン適応(MSDA)手法は、複数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知識を転送することを目的としている。 現在の方法は適切な数のドメイン、潜伏変数の単調変換、不変ラベル分布を必要とする。 本稿では,領域不変変数と領域固有変数の絡み合いを保証する部分空間同定理論を提案する。
  論文  参考訳（メタデータ） (2023-10-07T07:52:59Z)
• Identifiable Latent Causal Content for Domain Adaptation under Latent Covariate Shift [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Discovering Domain Disentanglement for Generalized Multi-source Domain Adaptation [48.02978226737235]
  典型的なマルチソースドメイン適応(MSDA)アプローチは、ラベル付きソースドメインから学習した知識をラベル付きターゲットドメインに転送することを目的としている。 本稿では、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立性を奨励する変動型ドメイン・アンタングルメント(VDD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-11T04:33:08Z)
• Controlled Generation of Unseen Faults for Partial and OpenSet&Partial Domain Adaptation [0.0]
  新たな運用条件は、トレーニングとテストデータ分布のドメインギャップによって、障害診断モデルのパフォーマンスが低下する可能性がある。 本稿では、Wasserstein GANをベースとした、部分的およびOpenSet&Partialドメイン適応のための新しいフレームワークを提案する。 主なコントリビューションは、制御されたフォールトデータ生成であり、ターゲットドメインで観測されていないフォールトタイプと重大度レベルを生成することができる。
  論文  参考訳（メタデータ） (2022-04-29T13:05:25Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) 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へ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Domain Adaptation as a Problem of Inference on Graphical Models [46.68286696120191]
  共同分布がドメイン間でどのように変化するかは、事前には分かっていない。 本稿では,共同分布の変化特性を符号化するコンパクトな方法として,グラフィカルモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-09T04:08:15Z)

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。