論文の概要: PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation

• arxiv url: http://arxiv.org/abs/2307.07489v1
• Date: Fri, 14 Jul 2023 17:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 13:02:41.020907
• Title: PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation
• Title（参考訳）: PseudoCal:ドメイン適応における教師なし不確実性校正へのソースフリーアプローチ
• Authors: Dapeng Hu, Jian Liang, Xinchao Wang, Chuan-Sheng Foo
• Abstract要約: 非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。 UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。 PseudoCalは、ラベルのないターゲットデータにのみ依存するソースフリーキャリブレーション手法である。
• 参考スコア（独自算出の注目度）: 87.69789891809562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) has witnessed remarkable advancements in improving the accuracy of models for unlabeled target domains. However, the calibration of predictive uncertainty in the target domain, a crucial aspect of the safe deployment of UDA models, has received limited attention. The conventional in-domain calibration method, \textit{temperature scaling} (TempScal), encounters challenges due to domain distribution shifts and the absence of labeled target domain data. Recent approaches have employed importance-weighting techniques to estimate the target-optimal temperature based on re-weighted labeled source data. Nonetheless, these methods require source data and suffer from unreliable density estimates under severe domain shifts, rendering them unsuitable for source-free UDA settings. To overcome these limitations, we propose PseudoCal, a source-free calibration method that exclusively relies on unlabeled target data. Unlike previous approaches that treat UDA calibration as a \textit{covariate shift} problem, we consider it as an unsupervised calibration problem specific to the target domain. Motivated by the factorization of the negative log-likelihood (NLL) objective in TempScal, we generate a labeled pseudo-target set that captures the structure of the real target. By doing so, we transform the unsupervised calibration problem into a supervised one, enabling us to effectively address it using widely-used in-domain methods like TempScal. Finally, we thoroughly evaluate the calibration performance of PseudoCal by conducting extensive experiments on 10 UDA methods, considering both traditional UDA settings and recent source-free UDA scenarios. The experimental results consistently demonstrate the superior performance of PseudoCal, exhibiting significantly reduced calibration error compared to existing calibration methods.
• Abstract（参考訳）: 非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。 しかし、UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。 従来のドメイン内キャリブレーション手法である‘textit{temperature scaling}(TempScal)は,ドメイン分布のシフトやラベル付き対象ドメインデータの欠如による問題に遭遇する。 近年のアプローチでは、再重み付きラベル付き音源データに基づいて目標最適温度を推定するために重要重み付け手法が採用されている。 それでも、これらの手法はソースデータを必要とし、厳しいドメインシフトの下で信頼性の低い密度推定に苦しむため、ソースフリーなUDA設定には適さない。 これらの制約を克服するため、未ラベルのターゲットデータのみに依存するソースフリーキャリブレーション手法であるPseudoCalを提案する。 udaキャリブレーションを \textit{covariate shift} 問題として扱う従来のアプローチとは異なり、対象領域特有の教師なしキャリブレーション問題であると考える。 本研究では,TempScalにおける負の対数類似度(NLL)の係数化により,実ターゲットの構造を捉えるラベル付き擬似ターゲットセットを生成する。 これにより,教師なしキャリブレーション問題を教師付きキャリブレーションに変換し,tempscalのような広く使用されているドメイン内メソッドを用いて効果的に対処できる。 最後に,従来のUDA設定と最近のソースフリーなUDAシナリオの両方を考慮して,10UDA手法の広範な実験を行うことで,PseudoCalの校正性能を徹底的に評価する。 実験結果はPseudoCalの優れた性能を示し,既存の校正法と比較して校正誤差を著しく低減した。

関連論文リスト

• Calibration of Network Confidence for Unsupervised Domain Adaptation Using Estimated Accuracy [13.22445242068721]
  本稿では,対象領域上でのネットワークの精度を推定するキャリブレーション手法を提案する。 提案アルゴリズムは,推定精度と計算された信頼度との差を最小化することにより,目標領域の予測信頼度を直接調整する。
  論文  参考訳（メタデータ） (2024-09-06T12:46:43Z)
• Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
  本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。 オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。 提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
  論文  参考訳（メタデータ） (2024-08-05T03:18:58Z)
• Uncertainty-Guided Alignment for Unsupervised Domain Adaptation in Regression [5.437298646956505]
  Unsupervised Domain Adaptation for Regression (UDAR)は、ラベル付きソースドメインからラベル付きターゲットドメインにモデルを適応させることを目標としている。 従来の特徴アライメント手法は分類に成功し、回帰特徴の相関性から回帰に効果がないことがしばしば証明される。 特徴アライメントプロセスに予測の不確実性を統合する新しい手法である不確実性誘導アライメント(UGA)を提案する。
  論文  参考訳（メタデータ） (2024-01-24T14:55:02Z)
• Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with Differentiable Expected Calibration Error [50.86671887712424]
  ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。 ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。 校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-06T03:28:34Z)
• Source-free Unsupervised Domain Adaptation for Blind Image Quality Assessment [20.28784839680503]
  既存の学習ベースのブラインド画像品質評価法(BIQA)は、大量の注釈付きトレーニングデータに大きく依存している。 本稿では,ソースフリーな非教師付きドメイン適応(SFUDA)への第一歩を,シンプルで効率的な方法で進める。 本稿では、BNアフィンパラメータのターゲット領域への適応を導くための、十分に設計された自己教師対象のグループを示す。
  論文  参考訳（メタデータ） (2022-07-17T09:42:36Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連する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ます。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Confidence Calibration for Domain Generalization under Covariate Shift [12.527429721643783]
  ドメイン一般化による新しいキャリブレーションソリューションを提案する。 私たちのコアアイデアは、複数のキャリブレーションドメインを活用して、ターゲットとキャリブレーションドメイン間の効果的な分散格差を減らすことです。 ドメイン適応のための最先端キャリブレーション手法と比較して,期待キャリブレーション誤差の8.86ポイントの減少が観察された。
  論文  参考訳（メタデータ） (2021-04-01T19:31:54Z)
• Transferable Calibration with Lower Bias and Variance in Domain Adaptation [139.4332115349543]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインへの学習マシンの転送を可能にする。 DAモデルの予測的不確実性を推定する方法は、安全クリティカルなシナリオにおける意思決定に不可欠である。 TransCalは既存のDAメソッドの校正に簡単に適用できる。
  論文  参考訳（メタデータ） (2020-07-16T11:09:36Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。