論文の概要: UFDA: Universal Federated Domain Adaptation with Practical Assumptions

• arxiv url: http://arxiv.org/abs/2311.15570v2
• Date: Tue, 19 Dec 2023 07:12:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 22:15:10.977264
• Title: UFDA: Universal Federated Domain Adaptation with Practical Assumptions
• Title（参考訳）: ufda: 実用的な仮定によるユニバーサルフェデレーションドメイン適応
• Authors: Xinhui Liu, Zhenghao Chen, Luping Zhou, Dong Xu, Wei Xi, Gairui Bai, Yihan Zhao, and Jizhong Zhao
• Abstract要約: 本稿では,Universal Federated Domain Adaptation(UFDA)という,より実践的なシナリオについて検討する。 ブラックボックスモデルと各ソースドメインのラベルセット情報のみを必要とする。 本稿では,HCLD (Contrastive Label Disambiguation) を用いたホットラーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 33.06684706053823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional Federated Domain Adaptation (FDA) approaches usually demand an abundance of assumptions, which makes them significantly less feasible for real-world situations and introduces security hazards. This paper relaxes the assumptions from previous FDAs and studies a more practical scenario named Universal Federated Domain Adaptation (UFDA). It only requires the black-box model and the label set information of each source domain, while the label sets of different source domains could be inconsistent, and the target-domain label set is totally blind. Towards a more effective solution for our newly proposed UFDA scenario, we propose a corresponding methodology called Hot-Learning with Contrastive Label Disambiguation (HCLD). It particularly tackles UFDA's domain shifts and category gaps problems by using one-hot outputs from the black-box models of various source domains. Moreover, to better distinguish the shared and unknown classes, we further present a cluster-level strategy named Mutual-Voting Decision (MVD) to extract robust consensus knowledge across peer classes from both source and target domains. Extensive experiments on three benchmark datasets demonstrate that our method achieves comparable performance for our UFDA scenario with much fewer assumptions, compared to previous methodologies with comprehensive additional assumptions.
• Abstract（参考訳）: 従来型のフェデレーションドメイン適応(FDA)アプローチでは、多くの仮定が要求されるため、現実の状況では実現しにくくなり、セキュリティ上のリスクも伴う。 本稿では、以前のFDAの仮定を緩和し、Universal Federated Domain Adaptation (UFDA)というより実践的なシナリオを研究する。 ブラックボックスモデルと各ソースドメインのラベルセット情報のみを必要とするが、異なるソースドメインのラベルセットは一貫性がなく、ターゲットドメインのラベルセットは完全に盲目である。 新たに提案したUFDAシナリオに対するより効果的な解決策として,HCLD(Hot-Learning with Contrastive Label Disambiguation)という方法論を提案する。 特に、さまざまなソースドメインのブラックボックスモデルから1ホット出力を使用することで、UFDAのドメインシフトとカテゴリギャップの問題に取り組む。 さらに、共有クラスと未知クラスをよりよく区別するために、Mutual-Voting Decision (MVD) と呼ばれるクラスタレベルの戦略を提案し、ソースドメインとターゲットドメインの両方からピアクラス間で堅牢なコンセンサス知識を抽出する。 3つのベンチマークデータセットに関する広範囲な実験により,本手法がufdaシナリオに匹敵する性能を,より少ない仮定で達成できることが証明された。

関連論文リスト

• Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
  UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。 本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。 本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T13:52:00Z)
• MLNet: Mutual Learning Network with Neighborhood Invariance for Universal Domain Adaptation [70.62860473259444]
  ユニバーサルドメイン適応(UniDA)は実用的だが難しい問題である。 既存のUniDAメソッドは、ターゲットドメイン内のドメイン内バリエーションを見落としている問題に悩まされる可能性がある。 そこで我々は,UniDA の近傍不変性を考慮した新しい相互学習ネットワーク (MLNet) を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:34Z)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)
• Source-Free Unsupervised Domain Adaptation: A Survey [32.48017861767467]
  ディープラーニングによる教師なしドメイン適応(UDA)は、ドメインシフト問題に取り組む上で魅力的な関心を集めている。 近年,学習済みのソースモデルからラベルなしのターゲットドメインへの知識伝達を行う,ソースフリーな非教師なしドメイン適応(SFUDA)法が多数提案されている。 本稿では,既存のSFUDAアプローチについて,技術的観点からタイムリーかつ体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2022-12-31T18:44:45Z)
• 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)
• 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)
• CLDA: Contrastive Learning for Semi-Supervised Domain Adaptation [1.2691047660244335]
  Unsupervised Domain Adaptation (UDA) は、ラベル付きソース分布とラベル付きターゲット分布との整合を目標とし、ドメイン不変な予測モデルを得る。 半教師付きドメイン適応(CLDA)のためのコントラスト学習フレームワークを提案する。 CLDAは上記のすべてのデータセットに対して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-06-30T20:23:19Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Universal Multi-Source Domain Adaptation [17.045689789877926]
  教師なしのドメイン適応により、インテリジェントモデルは、ラベル付きソースドメインから類似しているがラベルなしのターゲットドメインに知識を転送することができる。 ユニバーサルドメイン適応 (Universal Domain Adaptation, UDA) という,あるソースドメインから別の未知のターゲットドメインに知識を移すことが最近の研究で明らかになっている。 モデルの複雑さを増大させることなく、領域適応問題を解決するために、ユニバーサルなマルチソース適応ネットワーク(UMAN)を提案する。
  論文  参考訳（メタデータ） (2020-11-05T00:20:38Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための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） (2020-03-08T14:20:24Z)

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。