論文の概要: Taxonomy-Structured Domain Adaptation

• arxiv url: http://arxiv.org/abs/2306.07874v2
• Date: Sat, 1 Jul 2023 20:39:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-04 12:46:17.229667
• Title: Taxonomy-Structured Domain Adaptation
• Title（参考訳）: 分類構造ドメイン適応
• Authors: Tianyi Liu, Zihao Xu, Hao He, Guang-Yuan Hao, Guang-He Lee, Hao Wang
• Abstract要約: 我々は、ネストされた階層的類似構造を持つ領域を形式化する分類構造ドメインによる一般化に取り組む。 我々は,古典的敵対的枠組みを基盤として,新たな分類学者を導入し,その分類情報を維持するために,敵対的差別者と競合する。
• 参考スコア（独自算出の注目度）: 21.432546714330023
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Domain adaptation aims to mitigate distribution shifts among different domains. However, traditional formulations are mostly limited to categorical domains, greatly simplifying nuanced domain relationships in the real world. In this work, we tackle a generalization with taxonomy-structured domains, which formalizes domains with nested, hierarchical similarity structures such as animal species and product catalogs. We build on the classic adversarial framework and introduce a novel taxonomist, which competes with the adversarial discriminator to preserve the taxonomy information. The equilibrium recovers the classic adversarial domain adaptation's solution if given a non-informative domain taxonomy (e.g., a flat taxonomy where all leaf nodes connect to the root node) while yielding non-trivial results with other taxonomies. Empirically, our method achieves state-of-the-art performance on both synthetic and real-world datasets with successful adaptation. Code is available at https://github.com/Wang-ML-Lab/TSDA.
• Abstract（参考訳）: ドメイン適応は、異なるドメイン間の分散シフトを軽減することを目的としている。 しかし、伝統的な定式化は主にカテゴリー的ドメインに限定され、現実世界におけるニュアンス的ドメイン関係を大幅に単純化している。 本研究では,動物種や製品カタログなどの階層的類似性構造を持つドメインを定式化する分類構造ドメインの一般化に取り組む。 我々は,古典的敵対的枠組みに基づいて構築し,その分類情報を保存するために,敵対的差別者と競合する新しい分類論者を紹介する。 平衡は、非情報的領域分類(例えば、すべての葉ノードが根ノードに接続する平坦な分類法)を与えられた場合、古典的な逆領域適応の解を回復し、他の分類学で非自明な結果をもたらす。 実験により,本手法は,実世界の人工データセットと実世界のデータセットを併用し,適応性を向上する。 コードはhttps://github.com/Wang-ML-Lab/TSDAで入手できる。

関連論文リスト

• Cross-Domain Semantic Segmentation on Inconsistent Taxonomy using VLMs [1.4182672294839365]
  視覚言語モデル(CSI)を用いた不整合分類のクロスドメイン意味論 本稿では、視覚言語モデル(CSI)を用いた、一貫性のない分類に関するクロスドメインセマンティックという新しいアプローチを紹介する。 ソースターゲットクラスミスマッチの状況であっても、ドメイン適応セマンティックセマンティックセマンティクスを効果的に実行する。
  論文  参考訳（メタデータ） (2024-08-05T06:32:20Z)
• Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation [52.63046674453461]
  プロトタイプ・コントラスト適応(Prototypeal Contrast Adaptation, ProCA)は、教師なしドメイン適応セマンティックセマンティックセグメンテーションのための対照的な学習法である。 ProCAはクラス間の情報をクラスワイドプロトタイプに組み込み、適応のためにクラス中心の分散アライメントを採用する。
  論文  参考訳（メタデータ） (2022-07-14T04:54:26Z)
• 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)
• Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
  生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。 計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T11:09:29Z)
• TADA: Taxonomy Adaptive Domain Adaptation [143.68890984935726]
  伝統的なドメイン適応は、限られた監督の下で新しいターゲットドメインにモデルを適応させるタスクに対処する。 より一般的な分類適応型ドメイン適応問題を導入し、両者の整合性を実現する。 ラベルレベルでは、ターゲット領域を拡大するための二元混合サンプリング戦略と、ラベル空間を統一・整合させるリラベリング手法を用いる。
  論文  参考訳（メタデータ） (2021-09-10T11:58:56Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAは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効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• Vicinal and categorical domain adaptation [43.707303372718336]
  ドメインレベルとカテゴリレベルでの敵対的トレーニングの新たな損失を提案します。 本稿では,2つのドメインからそれぞれ対のインスタンスの凸結合によってインスタンスが生成されるビジナルドメインの概念を提案する。
  論文  参考訳（メタデータ） (2021-03-05T03:47:24Z)
• CoRel: Seed-Guided Topical Taxonomy Construction by Concept Learning and Relation Transferring [37.1330815281983]
  本稿では,概念名によって記述された種子分類を入力としてコーパスと種分類を取り入れた種誘導型地域分類構築法を提案する。 関係伝達モジュールは、複数の経路に沿ってユーザの興味ある関係を学習し、転送し、種分類構造を幅と深さで拡張する。 概念学習モジュールは、分類学を共同で埋め込むことで、各概念ノードのセマンティクスを豊かにする。
  論文  参考訳（メタデータ） (2020-10-13T22:00:31Z)
• Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
  オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。 本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。 Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
  論文  参考訳（メタデータ） (2020-06-18T04:53:07Z)

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。