論文の概要: Gradual Source Domain Expansion for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2311.09599v1
• Date: Thu, 16 Nov 2023 06:18:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 16:11:10.337476
• Title: Gradual Source Domain Expansion for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なしドメイン適応のための経時的ソースドメイン拡張
• Authors: Thomas Westfechtel, Hao-Wei Yeh, Dexuan Zhang, Tatsuya Harada
• Abstract要約: 教師なしドメイン適応(UDA)は、ソースデータセットからターゲットデータセットに知識を転送することで、大きなラベル付きデータセットの必要性を克服しようとする。 本稿では,この問題を解決するために,段階的ソース領域拡張(GSDE)アルゴリズムを提案する。 GSDEはUDAタスクをスクラッチから数回トレーニングし、毎回ネットワークウェイトを再起動するが、毎回ターゲットデータでソースデータセットを拡張する。
• 参考スコア（独自算出の注目度）: 45.207132297204424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) tries to overcome the need for a large labeled dataset by transferring knowledge from a source dataset, with lots of labeled data, to a target dataset, that has no labeled data. Since there are no labels in the target domain, early misalignment might propagate into the later stages and lead to an error build-up. In order to overcome this problem, we propose a gradual source domain expansion (GSDE) algorithm. GSDE trains the UDA task several times from scratch, each time reinitializing the network weights, but each time expands the source dataset with target data. In particular, the highest-scoring target data of the previous run are employed as pseudo-source samples with their respective pseudo-label. Using this strategy, the pseudo-source samples induce knowledge extracted from the previous run directly from the start of the new training. This helps align the two domains better, especially in the early training epochs. In this study, we first introduce a strong baseline network and apply our GSDE strategy to it. We conduct experiments and ablation studies on three benchmarks (Office-31, OfficeHome, and DomainNet) and outperform state-of-the-art methods. We further show that the proposed GSDE strategy can improve the accuracy of a variety of different state-of-the-art UDA approaches.
• Abstract（参考訳）: 教師なしドメイン適応(UDA)は、大量のラベル付きデータを持つソースデータセットからラベル付きデータを持たないターゲットデータセットに知識を転送することで、大きなラベル付きデータセットの必要性を克服しようとする。 ターゲットドメインにラベルがないため、初期ミスアライメントは後段に伝播し、エラーを発生させる可能性がある。 この問題を解決するために,段階的ソース領域拡張(GSDE)アルゴリズムを提案する。 GSDEはUDAタスクをスクラッチから数回トレーニングし、毎回ネットワークウェイトを再起動するが、毎回ターゲットデータでソースデータセットを拡張する。 特に、各擬似ラベルを用いて、前回の走行における最も高い目標データを疑似ソースサンプルとして採用する。 この戦略を用いて、疑似ソースサンプルは、新しいトレーニングの開始から直接、前回の実行から抽出した知識を誘導する。 これは、特に初期のトレーニング時代において、2つの領域をよりよく調整するのに役立ちます。 本研究では,まず,強力なベースラインネットワークを導入し,GSDE戦略を適用した。 本研究は,Office-31,OfficeHome,DomainNetの3つのベンチマーク実験とアブレーション試験を行い,最先端の手法より優れていることを示す。 さらに,提案したGSDE戦略は,様々な最先端UDAアプローチの精度を向上させることができることを示す。

関連論文リスト

• AGLP: A Graph Learning Perspective for Semi-supervised Domain Adaptation [13.472532378889264]
  半教師付きドメイン適応(SSDA)において、このモデルは、部分的にラベル付けされたターゲットドメインデータと大量のラベル付けされたソースドメインデータを活用することを目的としている。 本稿では,半教師付きドメイン適応のためのグラフ学習視点(AGLP)を提案する。 グラフ畳み込みネットワークをインスタンスグラフに適用することにより,重み付きグラフエッジに沿って構造情報を伝搬することができる。
  論文  参考訳（メタデータ） (2024-11-20T09:41:41Z)
• IT-RUDA: Information Theory Assisted Robust Unsupervised Domain Adaptation [7.225445443960775]
  トレイン(ソース)とテスト(ターゲット)データセット間の分散シフトは、マシンラーニングアプリケーションで発生する一般的な問題である。 UDA技術はラベル豊富なソースドメインからラベルのないターゲットドメインへの知識伝達を行う。 ソースまたはターゲットデータセットのいずれかに存在するアウトリーチは、実際にUDAを使用する場合、さらなる課題をもたらす可能性がある。
  論文  参考訳（メタデータ） (2022-10-24T04:33:52Z)
• Deep Unsupervised Domain Adaptation: A Review of Recent Advances and Perspectives [16.68091981866261]
  対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。 UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
  論文  参考訳（メタデータ） (2022-08-15T20:05:07Z)
• Domain Alignment Meets Fully Test-Time Adaptation [24.546705919244936]
  デプロイされたMLモデルの基本的な要件は、トレーニングとは異なるテストディストリビューションから引き出されたデータに一般化することである。 本稿では,元のソースデータへのアクセスを制限した,この問題の難易度に焦点をあてる。 ソースデータ全体にアクセスする必要性を緩和し,UDAとFTTAを橋渡しする新しいアプローチCATTAnを提案する。
  論文  参考訳（メタデータ） (2022-07-09T03:17:19Z)
• 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)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• 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)
• Multi-Source Deep Domain Adaptation with Weak Supervision for Time-Series Sensor Data [31.43183992755392]
  時系列データ(CoDATS)のための新しい畳み込み深層ドメイン適応モデルを提案する。 第二に、ターゲットドメインラベル分布の形での弱監督を生かして、新しいドメイン適応型弱スーパービジョン(DA-WS)手法を提案する。 第3に、ドメイン適応と弱い監督手法の有効性を評価するために、多様な実世界のデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2020-05-22T04:16:58Z)
• 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)

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。