論文の概要: Generalizable Decision Boundaries: Dualistic Meta-Learning for Open Set Domain Generalization

• arxiv url: http://arxiv.org/abs/2308.09391v1
• Date: Fri, 18 Aug 2023 08:46:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 13:46:22.658669
• Title: Generalizable Decision Boundaries: Dualistic Meta-Learning for Open Set Domain Generalization
• Title（参考訳）: 一般化可能な決定境界:開集合領域一般化のための双対メタラーニング
• Authors: Xiran Wang, Jian Zhang, Lei Qi, Yinghuan Shi
• Abstract要約: We propose a novel framework called dualistic Meta-learning with joint DomaIn-Class matching (MEDIC)。 その結果、MEDICはオープンセットのシナリオにおいて従来の手法よりも優れるだけでなく、競合するクローズドセットの一般化能力も同時に維持することを示した。
• 参考スコア（独自算出の注目度）: 27.027034515404175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization (DG) is proposed to deal with the issue of domain shift, which occurs when statistical differences exist between source and target domains. However, most current methods do not account for a common realistic scenario where the source and target domains have different classes. To overcome this deficiency, open set domain generalization (OSDG) then emerges as a more practical setting to recognize unseen classes in unseen domains. An intuitive approach is to use multiple one-vs-all classifiers to define decision boundaries for each class and reject the outliers as unknown. However, the significant class imbalance between positive and negative samples often causes the boundaries biased towards positive ones, resulting in misclassification for known samples in the unseen target domain. In this paper, we propose a novel meta-learning-based framework called dualistic MEta-learning with joint DomaIn-Class matching (MEDIC), which considers gradient matching towards inter-domain and inter-class splits simultaneously to find a generalizable boundary balanced for all tasks. Experimental results demonstrate that MEDIC not only outperforms previous methods in open set scenarios, but also maintains competitive close set generalization ability at the same time. Our code is available at https://github.com/zzwdx/MEDIC.
• Abstract（参考訳）: ドメイン一般化(DG)は、ソースとターゲットドメイン間の統計的差異が存在する場合に発生するドメインシフトの問題に対処するために提案される。 しかし、現在のほとんどのメソッドは、ソースとターゲットドメインが異なるクラスを持つ一般的な現実的なシナリオを考慮していない。 この欠点を克服するために、開集合領域一般化(OSDG)は、目に見えない領域の未確認クラスを認識するためのより実践的な設定として現れる。 直感的なアプローチは、複数の one-vs-all 分類器を使用して各クラスの決定境界を定義し、外れ値を未知として拒否する。 しかし、正と負のサンプル間の有意なクラス不均衡は、しばしば正のサンプルに偏った境界を生じさせ、未知のターゲット領域における既知のサンプルの誤分類を引き起こす。 本稿では,ドメイン間およびクラス間分割に対する勾配マッチングを同時に検討し,すべてのタスクにバランスの取れた一般化可能な境界を求める,DomaIn-Class matching (MEDIC) を用いたメタラーニングに基づく新しいフレームワークを提案する。 実験の結果, オープンセットシナリオにおいて, medicは従来の手法よりも優れるだけでなく, 競合的クローズセット一般化能力も維持できることがわかった。 私たちのコードはhttps://github.com/zzwdx/MEDICで利用可能です。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく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） (2023-03-10T14:11:09Z)
• Towards Adaptive Unknown Authentication for Universal Domain Adaptation by Classifier Paradox [26.411853573816465]
  パラドックス(UACP)による適応的未知認証を用いた新しいUniDA法を提案する。 UACPでは、複合分類器を2種類の予測器で共同設計する。つまり、マルチクラス(MC)予測器は、サンプルを複数のソースクラスのいずれかに分類し、バイナリ1-vs-all(OVA)予測器は、MC予測器による予測をさらに検証する。 検証失敗またはパラドックスのサンプルは未知のものとして同定され、実験結果がUACPをオープンセットとユニバーサルUDA設定の両方で検証する。
  論文  参考訳（メタデータ） (2022-07-10T15:58:53Z)
• Domain Generalization via Selective Consistency Regularization for Time Series Classification [16.338176636365752]
  ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。 本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-16T01:57:35Z)
• 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)
• Discriminative Domain-Invariant Adversarial Network for Deep Domain Generalization [33.84004077585957]
  本稿では,ドメイン一般化のための識別型ドメイン不変逆数ネットワーク(DDIAN)を提案する。 DDIANは、最先端のドメイン一般化アプローチと比較して、トレーニング中の未確認対象データに対するより良い予測を実現している。
  論文  参考訳（メタデータ） (2021-08-20T04:24:12Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
  既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。 本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。 私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
  論文  参考訳（メタデータ） (2021-04-07T18:36:31Z)
• Universal Domain Adaptation through Self Supervision [75.04598763659969]
  教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。 本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。 我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-02-19T01:26:11Z)

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。