論文の概要: A Causal Framework to Unify Common Domain Generalization Approaches

• arxiv url: http://arxiv.org/abs/2307.06825v1
• Date: Thu, 13 Jul 2023 15:40:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-14 14:20:26.152883
• Title: A Causal Framework to Unify Common Domain Generalization Approaches
• Title（参考訳）: 共通領域一般化アプローチを統一する因果枠組み
• Authors: Nevin L. Zhang, Kaican Li, Han Gao, Weiyan Xie, Zhi Lin, Zhenguo Li, Luning Wang, Yongxiang Huang
• Abstract要約: ドメインの一般化は機械学習の基本的な問題である。 本稿では、ドメインの一般化のための因果的フレームワークを提案し、そのフレームワークにおける共通DGアプローチの理解を示す。
• 参考スコア（独自算出の注目度）: 43.40233229744497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization (DG) is about learning models that generalize well to new domains that are related to, but different from, the training domain(s). It is a fundamental problem in machine learning and has attracted much attention in recent years. A large number of approaches have been proposed. Different approaches are motivated from different perspectives, making it difficult to gain an overall understanding of the area. In this paper, we propose a causal framework for domain generalization and present an understanding of common DG approaches in the framework. Our work sheds new lights on the following questions: (1) What are the key ideas behind each DG method? (2) Why is it expected to improve generalization to new domains theoretically? (3) How are different DG methods related to each other and what are relative advantages and limitations? By providing a unified perspective on DG, we hope to help researchers better understand the underlying principles and develop more effective approaches for this critical problem in machine learning.
• Abstract（参考訳）: ドメイン一般化(Domain Generalization, DG)とは、トレーニングドメインに関連するが異なる新しいドメインによく一般化する学習モデルである。 これは機械学習の根本的な問題であり、近年多くの注目を集めている。 多くのアプローチが提案されている。 異なるアプローチは異なる視点から動機付けられており、その領域の全体的な理解を得ることが困難である。 本稿では,ドメイン一般化のための因果的フレームワークを提案し,そのフレームワークにおける共通DGアプローチの理解を示す。 我々の研究は以下の質問に新しい光を当てている: (1) dgメソッドの背後にある重要なアイデアは何か? (2)なぜ理論的に新しいドメインへの一般化が改善されるのか? (3)異なるDG手法は相互にどのように関連し、相対的な利点と限界は何か。 DGに関する統一的な視点を提供することで、研究者が基礎となる原則をより深く理解し、機械学習におけるこの重要な問題に対するより効果的なアプローチを開発したいと思っています。

関連論文リスト

• MADG: Margin-based Adversarial Learning for Domain Generalization [25.45950080930517]
  そこで本稿では,差分損失に基づく離散性尺度に基づく新しい逆学習DGアルゴリズムMADGを提案する。 提案したMADGモデルは,すべてのソースドメインにまたがるドメイン不変の特徴を学習し,敵対的トレーニングを用いて,未知のターゲットドメインによく適応する。 我々は、人気のある実世界のDGデータセット上でMADGモデルを広範囲に実験した。
  論文  参考訳（メタデータ） (2023-11-14T19:53:09Z)
• Improving Generalization with Domain Convex Game [32.07275105040802]
  ドメインの一般化は、複数のソースドメインを持つモデルを学習することで、ディープニューラルネットワークの貧弱な一般化能力を緩和する傾向がある。 DG の古典的な解は領域拡大であり、その一般的な信念は、ソース領域の多様化は分布外一般化に導かれるということである。 モデル一般化と領域の多様性の相関は厳密には正ではなく,ドメイン拡張の有効性を制限している。
  論文  参考訳（メタデータ） (2023-03-23T14:27:49Z)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Reappraising Domain Generalization in Neural Networks [8.06370138649329]
  機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。 経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。 そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
  論文  参考訳（メタデータ） (2021-10-15T10:06:40Z)
• Domain Generalization: A Survey [146.68420112164577]
  ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。 初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
  論文  参考訳（メタデータ） (2021-03-03T16:12:22Z)
• Generalizing to Unseen Domains: A Survey on Domain Generalization [59.16754307820612]
  ドメイン一般化は、1つまたは複数の異なるが関連するドメインが与えられる困難な設定を扱う。 目標は、目に見えないテストドメインに一般化できるモデルを学ぶことです。 本稿では,領域一般化の最近の進歩に対する最初のレビューを紹介する。
  論文  参考訳（メタデータ） (2021-03-02T06:04:11Z)
• Sequential Learning for Domain Generalization [81.70387860425855]
  ドメイン一般化(DG)のための逐次学習フレームワークを提案する。 最近提案されたメタラーニング領域一般化(MLDG)への応用に焦点をあてる。
  論文  参考訳（メタデータ） (2020-04-03T05:10:33Z)

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。