論文の概要: Perturbation-Based Two-Stage Multi-Domain Active Learning

• arxiv url: http://arxiv.org/abs/2306.10700v1
• Date: Mon, 19 Jun 2023 04:58:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 19:05:48.673379
• Title: Perturbation-Based Two-Stage Multi-Domain Active Learning
• Title（参考訳）: 摂動型2段階多ドメインアクティブラーニング
• Authors: Rui He, Zeyu Dai, Shan He, Ke Tang
• Abstract要約: 本稿では、よく認識されたASP-MTLモデルに組み込んだ摂動型2段階多段階アクティブラーニング(P2S-MDAL)手法を提案する。 P2S-MDALは、ドメインの予算を割り当て、多様性の選択のための領域を確立する。 モデルの共有特徴抽出器のロバスト性を評価するために摂動距離が導入された。
• 参考スコア（独自算出の注目度）: 31.073745612552926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-domain learning (MDL) scenarios, high labeling effort is required due to the complexity of collecting data from various domains. Active Learning (AL) presents an encouraging solution to this issue by annotating a smaller number of highly informative instances, thereby reducing the labeling effort. Previous research has relied on conventional AL strategies for MDL scenarios, which underutilize the domain-shared information of each instance during the selection procedure. To mitigate this issue, we propose a novel perturbation-based two-stage multi-domain active learning (P2S-MDAL) method incorporated into the well-regarded ASP-MTL model. Specifically, P2S-MDAL involves allocating budgets for domains and establishing regions for diversity selection, which are further used to select the most cross-domain influential samples in each region. A perturbation metric has been introduced to evaluate the robustness of the shared feature extractor of the model, facilitating the identification of potentially cross-domain influential samples. Experiments are conducted on three real-world datasets, encompassing both texts and images. The superior performance over conventional AL strategies shows the effectiveness of the proposed strategy. Additionally, an ablation study has been carried out to demonstrate the validity of each component. Finally, we outline several intriguing potential directions for future MDAL research, thus catalyzing the field's advancement.
• Abstract（参考訳）: マルチドメイン学習(MDL)のシナリオでは、さまざまなドメインからデータを集めるのが複雑になるため、高いラベル付けが求められる。 アクティブラーニング(AL)は、少数の高情報インスタンスをアノテートすることで、この問題に対する奨励的な解決策を示し、ラベル付けの労力を削減します。 従来,MDLシナリオの従来のAL戦略は,選択手順中に各インスタンスのドメイン共有情報を活用できなかった。 この問題を軽減するために, ASP-MTLモデルに組み込んだ新しい摂動型2段階多分野アクティブラーニング手法を提案する。 具体的には、p2s-mdalは、ドメインの予算を割り当て、多様性選択のための領域を確立することを含む。 モデルの共有特徴抽出器のロバスト性を評価するために摂動距離を導入し、潜在的にクロスドメインな影響のあるサンプルの同定を容易にする。 テキストと画像の両方を包含する3つの実世界のデータセットで実験を行う。 従来のAL戦略よりも優れた性能は,提案戦略の有効性を示す。 さらに, 各成分の妥当性を示すためのアブレーション試験が実施されている。 最後に,今後のmdal研究への興味をそそる可能性について概説する。

関連論文リスト

• Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space [4.871119861180455]
  マルチタスク学習を用いた2相表現学習手法を提案する。 我々は、先行空間と潜時空間の間の相互情報の最小化により、潜時空間を解き放つ。 モデルの有効性を複数のサイバーセキュリティデータセットで評価する。
  論文  参考訳（メタデータ） (2023-12-28T17:24:13Z)
• Benchmarking Multi-Domain Active Learning on Image Classification [16.690755621494215]
  我々は、単一ソースデータと実世界のデータの間のギャップを埋めるために、マルチドメインアクティブラーニングベンチマークを導入する。 我々のベンチマークでは、従来の単一ドメインのアクティブな学習戦略は、多ドメインシナリオにおけるランダムな選択よりも効果が低いことが示されている。 私たちのベンチマーク分析では、すべてのマルチドメイン戦略が大きなトレードオフを示しており、すべてのデータセットやすべてのメトリクスよりも優れた戦略はありません。
  論文  参考訳（メタデータ） (2023-12-01T06:11:14Z)
• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment [17.086123737443714]
  異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。 既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。 シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
  論文  参考訳（メタデータ） (2023-08-16T22:54:49Z)
• Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation [3.367755441623275]
  マルチソースアン教師付きドメイン適応(MUDA)は、関連するソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 アクティブマルチドメイン適応(D3AAMDA)のための動的ドメイン不一致適応法(Dynamic Domain Disrepancy Adjustment)を提案する。 このメカニズムは、ソースドメインとターゲットドメイン間の特徴のアライメントレベルを制御し、ソースドメイン内のローカルな有利な特徴情報を効果的に活用する。
  論文  参考訳（メタデータ） (2023-07-26T09:40:19Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Active Learning Over Multiple Domains in Natural Language Tasks [6.8700723936987975]
  本研究では、アクティブラーニング(AL)、ドメインシフト検出(DS)、マルチドメインサンプリングの様々な技術について調査する。 4種類の手法から18種類の取得関数を抽出し, H-diversergence法, 特に提案した変種DAL-Eが有効であることを示す。 本研究は,自然言語タスクにおける多分野能動的学習に直面する実践者に対して,既存の手法と新しい手法の両方を包括的に分析した最初の事例である。
  論文  参考訳（メタデータ） (2022-02-01T07:27:18Z)
• 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)
• Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
  Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。 本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。 我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
  論文  参考訳（メタデータ） (2020-06-22T13:03:01Z)
• Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [53.656086832255944]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。 MDAは学術と産業の両方で注目を集めている。
  論文  参考訳（メタデータ） (2020-02-26T08:07:58Z)

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。