論文の概要: A2XP: Towards Private Domain Generalization

• arxiv url: http://arxiv.org/abs/2311.10339v1
• Date: Fri, 17 Nov 2023 05:49:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 14:50:12.481374
• Title: A2XP: Towards Private Domain Generalization
• Title（参考訳）: A2XP: プライベートドメインの一般化に向けて
• Authors: Geunhyeok Yu, Hyoseok Hwang
• Abstract要約: eXpert Prompts (A2XP)は、ネットワークアーキテクチャのプライバシと整合性を保ったドメインの一般化のための新しいアプローチである。 我々の実験は、A2XPが既存の非私的領域一般化法よりも最先端の結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Neural Networks (DNNs) have become pivotal in various fields, especially in computer vision, outperforming previous methodologies. A critical challenge in their deployment is the bias inherent in data across different domains, such as image style, and environmental conditions, leading to domain gaps. This necessitates techniques for learning general representations from biased training data, known as domain generalization. This paper presents Attend to eXpert Prompts (A2XP), a novel approach for domain generalization that preserves the privacy and integrity of the network architecture. A2XP consists of two phases: Expert Adaptation and Domain Generalization. In the first phase, prompts for each source domain are optimized to guide the model towards the optimal direction. In the second phase, two embedder networks are trained to effectively amalgamate these expert prompts, aiming for an optimal output. Our extensive experiments demonstrate that A2XP achieves state-of-the-art results over existing non-private domain generalization methods. The experimental results validate that the proposed approach not only tackles the domain generalization challenge in DNNs but also offers a privacy-preserving, efficient solution to the broader field of computer vision.
• Abstract（参考訳）: ディープニューラルネットワーク(dnn)は、様々な分野、特にコンピュータビジョンにおいて重要となり、従来の手法を上回っている。 デプロイメントにおける重要な課題は、イメージスタイルや環境条件など、さまざまな領域にまたがるデータに固有のバイアスが、ドメインのギャップにつながることだ。 この手法は、偏りのある訓練データから一般表現を学習する技術を必要とする。 本稿では,ネットワークアーキテクチャのプライバシと整合性を維持するドメイン一般化の新しいアプローチである,eXpert Prompts (A2XP)について述べる。 A2XPはExpert AdaptationとDomain Generalizationの2つのフェーズで構成されている。 第1フェーズでは、各ソースドメインに対するプロンプトが最適化され、モデルを最適な方向へ導く。 第2フェーズでは、2つの埋め込みネットワークがトレーニングされ、これらのエキスパートプロンプトを効果的にアマルゲイトし、最適な出力を目指している。 我々は,A2XPが既存の非プライベート領域一般化法よりも最先端の結果が得られることを示した。 実験結果は,提案手法がDNNの領域一般化問題に対処するだけでなく,コンピュータビジョンの幅広い分野に対して,プライバシ保護と効率的なソリューションを提供することを示した。

関連論文リスト

• Uncertainty-guided Contrastive Learning for Single Source Domain Generalisation [15.907643838530655]
  本稿では,Contrastive Uncertainty Domain Generalisation Network(CUDGNet)と呼ばれる新しいモデルを紹介する。 鍵となるアイデアは、架空のドメインジェネレータを通じて、入力空間とラベル空間の両方のソース容量を増大させることである。 また,提案手法は,1つのフォワードパスからジェネレータサブネットワークを経由した推論時間における効率的な不確実性推定も提供する。
  論文  参考訳（メタデータ） (2024-03-12T10:47:45Z)
• Beyond Finite Data: Towards Data-free Out-of-distribution Generalization via Extrapolation [19.944946262284123]
  ニューラルネットワークが人間のように外挿し、OODの一般化を実現するにはどうすればよいのか? 本稿では,大言語モデル(LLM)にカプセル化されている推論能力と広範な知識を活用して,完全に新しいドメインを合成する領域外挿手法を提案する。 提案手法は, VLCSなどのデータセットにおいて, 教師付き設定を約1～2%超え, 評価可能な性能を示す。
  論文  参考訳（メタデータ） (2024-03-08T18:44:23Z)
• Single Domain Dynamic Generalization for Iris Presentation Attack Detection [41.126916126040655]
  アイリスプレゼンテーションの一般化はドメイン内の設定では大きな成功を収めたが、目に見えないドメインでは容易に分解できる。 本稿では,ドメイン不変性とドメイン固有性を利用した単一ドメイン動的一般化(SDDG)フレームワークを提案する。 提案手法は有効であり,LivDet-Iris 2017データセットの最先端性を上回っている。
  論文  参考訳（メタデータ） (2023-05-22T07:54:13Z)
• Modality-Agnostic Debiasing for Single Domain Generalization [105.60451710436735]
  単一DGのための多目的モダリティ・アグノスティック・デバイアス(MAD)フレームワークを提案する。 その結果,MADはDSUを2.82%改善し,精度とmIOUは1.5%向上した。 さらに驚くべきことに、3Dポイントの雲の認識と2D画像のセマンティックセグメンテーションのために、MADはDSUを1.5%精度とmIOUで改善する。
  論文  参考訳（メタデータ） (2023-03-13T13:56:11Z)
• 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)
• TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification [115.31432027711202]
  我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。 これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。 我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
  論文  参考訳（メタデータ） (2021-11-29T01:27:42Z)
• Domain Generalization through Audio-Visual Relative Norm Alignment in First Person Action Recognition [15.545769463854915]
  ウェアラブルカメラの普及により、ファースト・パーソン・アクション・認識はますます研究される分野になりつつある。 これは、この文脈でまだ解決されていない、軽量なドメイン横断の問題をもたらします。 本稿では,エゴセントリックな活動認識のための最初の領域一般化手法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T16:52:39Z)
• Gradient Matching for Domain Generalization [93.04545793814486]
  機械学習システムの重要な要件は、見えないドメインに一般化する能力です。 ドメインの一般化を目標とするドメイン間勾配マッチングの目的を提案する。 我々は、その最適化を近似する単純な一階アルゴリズムfishを導出する。
  論文  参考訳（メタデータ） (2021-04-20T12:55:37Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。