論文の概要: FREEDOM: Target Label & Source Data & Domain Information-Free
Multi-Source Domain Adaptation for Unsupervised Personalization
- arxiv url: http://arxiv.org/abs/2307.02493v1
- Date: Tue, 4 Jul 2023 05:56:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 16:53:18.148026
- Title: FREEDOM: Target Label & Source Data & Domain Information-Free
Multi-Source Domain Adaptation for Unsupervised Personalization
- Title（参考訳）: FREEDOM: 教師なしパーソナライゼーションのためのターゲットラベルとソースデータとドメイン情報のないマルチソースドメイン適応
- Authors: Eunju Yang, Gyusang Cho, Chan-Hyun Youn
- Abstract要約: マルチソースドメイン適応(MSDA)は、デプロイされたモデルをクライアントのデータセットに適応させる、有望なシナリオである。
ターゲットラベルなしで適応を提供し、ソースデータセットが複数のドメインから構築される場合をサポートする。
本稿では,1)ターゲットラベル,2)ソースデータセット,および主に3)ソースドメイン情報が利用できない3自由ドメイン適応の新たな問題シナリオを提案する。
- 参考スコア（独自算出の注目度）: 6.823747292828338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: From a service perspective, Multi-Source Domain Adaptation (MSDA) is a
promising scenario to adapt a deployed model to a client's dataset. It can
provide adaptation without a target label and support the case where a source
dataset is constructed from multiple domains. However, it is impractical,
wherein its training heavily relies on prior domain information of the
multi-source dataset -- how many domains exist and the domain label of each
data sample. Moreover, MSDA requires both source and target datasets
simultaneously (physically), causing storage limitations on the client device
or data privacy issues by transferring client data to a server. For a more
practical scenario of model adaptation from a service provider's point of view,
we relax these constraints and present a novel problem scenario of Three-Free
Domain Adaptation, namely TFDA, where 1) target labels, 2) source dataset, and
mostly 3) source domain information (domain labels + the number of domains) are
unavailable. Under the problem scenario, we propose a practical adaptation
framework called FREEDOM. It leverages the power of the generative model,
disentangling data into class and style aspects, where the style is defined as
the class-independent information from the source data and designed with a
nonparametric Bayesian approach. In the adaptation stage, FREEDOM aims to match
the source class distribution with the target's under the philosophy that class
distribution is consistent even if the style is different; after then, only
part of the classification model is deployed as a personalized network. As a
result, FREEDOM achieves state-of-the-art or comparable performance even
without domain information, with reduced final model size on the target side,
independent of the number of source domains.
- Abstract（参考訳）: サービスの観点からは、Multi-Source Domain Adaptation(MSDA)は、デプロイされたモデルをクライアントのデータセットに適応させる、有望なシナリオである。
ターゲットラベルなしで適応を提供し、ソースデータセットが複数のドメインから構築されている場合をサポートする。
しかし、そのトレーニングは、マルチソースデータセットの事前ドメイン情報 -- 存在するドメインの数と各データサンプルのドメインラベル -- に大きく依存しているため、現実的ではない。
さらにmsdaは、ソースとターゲットの両方のデータセットを同時に(物理的に)必要とし、クライアント装置のストレージ制限や、クライアントデータをサーバに転送することでデータプライバシの問題を引き起こす。
サービス提供者の観点からモデル適応のより実践的なシナリオとして、これらの制約を緩和し、3自由ドメイン適応という新たな問題シナリオを提示します。
1)ターゲットラベル、
2)ソースデータセット、大部分は
3) ソースドメイン情報(ドメインラベル+ドメイン数)は利用できない。
問題シナリオでは、FREEDOMと呼ばれる実践的な適応フレームワークを提案する。
生成モデルのパワーを活用し、データをクラスとスタイルの側面に分離し、そのスタイルはソースデータからクラス非依存の情報として定義され、非パラメトリックベイズアプローチで設計される。
適応段階において、FREEDOMは、スタイルが異なる場合でも、クラス分布は一貫性があるという考え方の下で、ソースクラスの分布とターゲットの分布とを一致させることを目的としており、その後、分類モデルの一部のみがパーソナライズされたネットワークとしてデプロイされる。
その結果、FREEDOMは、ドメイン情報なしで、ターゲット側の最終的なモデルサイズを減らし、ソースドメインの数によらず、最先端または同等のパフォーマンスを達成する。
関連論文リスト
- A Two-Stage Framework with Self-Supervised Distillation For Cross-Domain Text Classification [46.47734465505251]
クロスドメインテキスト分類は、ラベル付きデータを持たないターゲットドメインにモデルを適応させることを目的としている。
クロスドメインテキスト分類のための2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-18T06:21:40Z) - Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。
本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。
本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-23T12:58:20Z) - Cross-Domain Few-Shot Classification via Inter-Source Stylization [11.008292768447614]
Cross-Domain Few-Shot Classification (CDFSC)は、限られたラベル付きデータでターゲットデータセットを正確に分類することである。
本稿では、追加のラベル付けコストを必要とせずに複数のソースドメインを利用するソリューションを提案する。
論文 参考訳（メタデータ） (2022-08-17T01:44:32Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なる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ます。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳（メタデータ） (2022-04-24T12:22:19Z) - Multi-source Few-shot Domain Adaptation [26.725145982321287]
マルチソースドメイン適応(MDA)は、複数の完全ラベルのソースドメインから未ラベルのターゲットドメインに予測モデルを転送することを目的としている。
本稿では,Multi-source Few-shot Domain Adaptation (MFDA)について検討する。
本稿では,MSFAN(Multi-Source Few-shot Adaptation Network)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-25T15:54:01Z) - 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) - Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。
ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。
実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
論文 参考訳（メタデータ） (2021-03-19T01:22:12Z) - Domain Impression: A Source Data Free Domain Adaptation Method [27.19677042654432]
教師なしドメイン適応法は、ソースデータセットがすべてのラベルで利用可能であると仮定して、ラベルなしのターゲットセットの適応問題を解決する。
本稿では,ソースデータを必要としないドメイン適応手法を提案する。
ソースデータの代わりに、ソースデータに基づいてトレーニングされた分類器のみを提供しています。
論文 参考訳（メタデータ） (2021-02-17T19:50:49Z) - Deep Domain-Adversarial Image Generation for Domain Generalisation [115.21519842245752]
マシンラーニングモデルは通常、ソースデータセットでトレーニングされたり、異なるディストリビューションのターゲットデータセットで評価されたりする際に、ドメインシフトの問題に悩まされる。
この問題を解決するために、ドメイン一般化(DG)手法は、訓練されたモデルが未知のドメインに一般化できるように、複数のソースドメインからのデータを活用することを目的としている。
我々はemphDeep Domain-Adversarial Image Generation (DDAIG)に基づく新しいDG手法を提案する。
論文 参考訳（メタデータ） (2020-03-12T23:17:47Z) - Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。
複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。
4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2020-01-12T08:37:42Z)
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。