論文の概要: Diversity-enhancing Generative Network for Few-shot Hypothesis Adaptation

• arxiv url: http://arxiv.org/abs/2307.05948v1
• Date: Wed, 12 Jul 2023 06:29:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 13:58:35.554111
• Title: Diversity-enhancing Generative Network for Few-shot Hypothesis Adaptation
• Title（参考訳）: 少数発仮説適応のための多様性向上型生成ネットワーク
• Authors: Ruijiang Dong, Feng Liu, Haoang Chi, Tongliang Liu, Mingming Gong, Gang Niu, Masashi Sugiyama and Bo Han
• Abstract要約: 本稿では,FHA問題に対する多様性向上型生成ネットワーク(DEG-Net)を提案する。 カーネル独立対策(Hilbert-Schmidt independent criterion、HSIC)の助けを借りて、さまざまなラベルのないデータを生成することができる。
• 参考スコア（独自算出の注目度）: 135.80439360370556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating unlabeled data has been recently shown to help address the few-shot hypothesis adaptation (FHA) problem, where we aim to train a classifier for the target domain with a few labeled target-domain data and a well-trained source-domain classifier (i.e., a source hypothesis), for the additional information of the highly-compatible unlabeled data. However, the generated data of the existing methods are extremely similar or even the same. The strong dependency among the generated data will lead the learning to fail. In this paper, we propose a diversity-enhancing generative network (DEG-Net) for the FHA problem, which can generate diverse unlabeled data with the help of a kernel independence measure: the Hilbert-Schmidt independence criterion (HSIC). Specifically, DEG-Net will generate data via minimizing the HSIC value (i.e., maximizing the independence) among the semantic features of the generated data. By DEG-Net, the generated unlabeled data are more diverse and more effective for addressing the FHA problem. Experimental results show that the DEG-Net outperforms existing FHA baselines and further verifies that generating diverse data plays a vital role in addressing the FHA problem
• Abstract（参考訳）: そこでは,いくつかのラベル付きターゲットドメインデータと,高度に互換性のある非ラベル付きデータの付加情報に対して,十分に訓練されたソースドメイン分類器(ソースドメイン分類器)を用いて,ターゲットドメインの分類器を訓練することを目的としている。 しかし、既存のメソッドの生成されたデータは、非常に似ているか、あるいは同じです。 生成されたデータ間の強い依存は、学習を失敗に導く。 本稿では,カーネル独立性尺度(hilbert-schmidt independence criterion, hsic)を用いて多様なラベルなしデータを生成するfha問題に対する多様性向上生成ネットワーク(deg-net)を提案する。 具体的には、deg-netは、生成されたデータの意味的特徴のうち、hsic値(すなわち独立性を最大化する)を最小化することでデータを生成する。 DEG-Netにより、生成されたラベルなしデータはより多様で、FHA問題に対処するのにより効果的である。 実験結果から,DEC-Netは既存のFHAベースラインよりも優れており,FHA問題に対処する上で,多様なデータ生成が重要な役割を果たすことが確認された。

関連論文リスト

• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Federated Learning Empowered by Generative Content [55.576885852501775]
  フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。 本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。 我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
  論文  参考訳（メタデータ） (2023-12-10T07:38:56Z)
• Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
  我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。 私たちの観察は直感的である。 私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
  論文  参考訳（メタデータ） (2022-09-30T17:15:19Z)
• Mitigating Data Heterogeneity in Federated Learning with Data Augmentation [26.226057709504733]
  Federated Learning(FL)は、集中型モデルのトレーニングを可能にするフレームワークである。 主な障害の1つは、データ不均一性、すなわち、各クライアントが独立に独立に分散した(非IID)データを持っていることである。 最近の証拠は、データ拡張が同等またはそれ以上のパフォーマンスを誘導できることを示している。
  論文  参考訳（メタデータ） (2022-06-20T19:47:43Z)
• Improving the quality of generative models through Smirnov transformation [1.3492000366723798]
  本稿では,ジェネレータの出力として使用される新しいアクティベーション関数を提案する。 これはスミルノフ確率変換に基づいており、生成されたデータの品質を改善するために特別に設計されている。
  論文  参考訳（メタデータ） (2021-10-29T17:01:06Z)
• TOHAN: A One-step Approach towards Few-shot Hypothesis Adaptation [73.75784418508033]
  少数ショットドメイン適応(FDA)では、ターゲットドメインの分類器は、ソースドメイン(SD)内のラベル付きデータとターゲットドメイン(TD)内のラベル付きデータとで訓練される。 データは通常、現在の時代の個人情報(例えば、携帯電話に分散されたデータ)を含んでいる。 本稿では,その問題を解決するために,目標指向仮説適応ネットワーク(TOHAN)を提案する。
  論文  参考訳（メタデータ） (2021-06-11T11:46:20Z)
• Domain Adaptation for Learning Generator from Paired Few-Shot Data [72.04430033118426]
  十分なソースデータと少数のターゲットデータを持つジェネレータを学習するためのペアドフェーショットGAN(PFS-GAN)モデルを提案する。 提案手法は,複数のベースラインと比較して,より多様性の高い生成対象ドメインデータに対して,定量的,定性的な結果が得られる。
  論文  参考訳（メタデータ） (2021-02-25T10:11:44Z)
• Discriminative feature generation for classification of imbalanced data [6.458496335718508]
  マイノリティクラスデータセットを対象とした新しい分類特徴生成法(DFG)を提案する。 DFGは、4つの独立したネットワークからなる生成的敵ネットワークの修正された構造に基づいている。 実験結果から,DFGジェネレータはラベル保存および多彩な特徴の増大を促進することが示された。
  論文  参考訳（メタデータ） (2020-10-24T12:19:05Z)
• Towards Stable Imbalanced Data Classification via Virtual Big Data Projection [3.3707422585608953]
  深層オートエンコーダ訓練と不均衡データ分類に対処するVBDの能力について検討する。 まず、VBDは、膨大な多様なトレーニングデータを提供することで、オートエンコーダのバリデーション損失を著しく低減できることを示す。 第2に、オーバーサンプリングを伴わないスキュートクラス分布のバランスをとるために、クロスコンカニエーションと呼ばれる最初のプロジェクションベース手法を提案する。
  論文  参考訳（メタデータ） (2020-08-23T04:01:51Z)

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。