論文の概要: A Unified Framework for Unsupervised Domain Adaptation based on Instance Weighting

• arxiv url: http://arxiv.org/abs/2312.05024v1
• Date: Fri, 8 Dec 2023 13:04:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 15:15:15.430513
• Title: A Unified Framework for Unsupervised Domain Adaptation based on Instance Weighting
• Title（参考訳）: インスタンス重み付けに基づく教師なしドメイン適応のための統一フレームワーク
• Authors: Jinjing Zhu, Feiyang Ye, Qiao Xiao, Pengxin Guo, Yu Zhang, and Qiang Yang
• Abstract要約: 閉集合領域適応、部分領域適応、開集合領域適応、普遍領域適応の4つの異なるUnsupervised Domain Adaptation (UDA) 設定について検討する。 多様なUDA設定に固有の顕著な課題は、共通/プライベートクラスの識別と、ドメインの差異の正確な測定を中心にしている。 本稿では,教師なしドメイン適応(LIWUDA)のための学習インスタンス重み付け(Learning Instance Weighting for Unsupervised Domain Adaptation, LIWUDA)を提案する。
• 参考スコア（独自算出の注目度）: 14.900335693116132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the progress made in domain adaptation, solving Unsupervised Domain Adaptation (UDA) problems with a general method under complex conditions caused by label shifts between domains remains a formidable task. In this work, we comprehensively investigate four distinct UDA settings including closed set domain adaptation, partial domain adaptation, open set domain adaptation, and universal domain adaptation, where shared common classes between source and target domains coexist alongside domain-specific private classes. The prominent challenges inherent in diverse UDA settings center around the discrimination of common/private classes and the precise measurement of domain discrepancy. To surmount these challenges effectively, we propose a novel yet effective method called Learning Instance Weighting for Unsupervised Domain Adaptation (LIWUDA), which caters to various UDA settings. Specifically, the proposed LIWUDA method constructs a weight network to assign weights to each instance based on its probability of belonging to common classes, and designs Weighted Optimal Transport (WOT) for domain alignment by leveraging instance weights. Additionally, the proposed LIWUDA method devises a Separate and Align (SA) loss to separate instances with low similarities and align instances with high similarities. To guide the learning of the weight network, Intra-domain Optimal Transport (IOT) is proposed to enforce the weights of instances in common classes to follow a uniform distribution. Through the integration of those three components, the proposed LIWUDA method demonstrates its capability to address all four UDA settings in a unified manner. Experimental evaluations conducted on three benchmark datasets substantiate the effectiveness of the proposed LIWUDA method.
• Abstract（参考訳）: ドメイン適応の進展にもかかわらず、ドメイン間のラベルシフトによって引き起こされる複雑な条件下で、一般的な方法でUnsupervised Domain Adaptation (UDA)問題を解くことは、依然として恐ろしい作業である。 本研究は, 閉集合ドメイン適応, 部分集合ドメイン適応, オープン集合ドメイン適応, ユニバーサル領域適応の4つの異なるUDA設定を包括的に検討し, ソースとターゲットドメイン間の共通クラスをドメイン固有のプライベートクラスと共存させる。 多様なUDA設定に固有の顕著な課題は、共通/プライベートクラスの識別と、ドメインの差異の正確な測定を中心にしている。 これらの課題を効果的に克服するために, LIWUDA (Learning Instance Weighting for Unsupervised Domain Adaptation) と呼ばれる, UDA設定に適合する新しい手法を提案する。 具体的には、共通クラスに属する確率に基づいて各インスタンスに重みを割り当てる重みネットワークを構築し、インスタンス重みを利用するドメインアライメントのための重み付き最適輸送(WOT)を設計する。 さらに、LIWUDA法は、類似度が低いインスタンスを分離し、類似度が高いインスタンスをアライメントするために、分離とアライメント(SA)損失を考案する。 重みネットワークの学習を導くために,共通クラスにおけるインスタンスの重み付けを一様分布に従わせるために,ドメイン内最適輸送(iot)を提案する。 これら3つのコンポーネントを統合することで、LIWUDA法は、4つのUDA設定すべてに統一的に対処できることを示す。 提案したLIWUDA法の有効性を3つのベンチマークデータセットで検証した。

関連論文リスト

• Universal Semi-Supervised Domain Adaptation by Mitigating Common-Class Bias [16.4249819402209]
  我々はUniversal Semi-Supervised Domain Adaptation (UniSSDA)を紹介する。 UniSSDAはUniversal Domain Adaptation (UniDA)とSemi-Supervised Domain Adaptation (SSDA)の交差点にある 疑似ラベルによる共通クラスバイアスの強化を抑えるための,事前誘導型擬似ラベル改善戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-17T14:43:47Z)
• 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)
• Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
  対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。 不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。 の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
  論文  参考訳（メタデータ） (2023-07-21T14:37:17Z)
• AVATAR: Adversarial self-superVised domain Adaptation network for TARget domain [11.764601181046496]
  本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。 本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。 提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-04-28T20:31:56Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
  本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。 具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。 類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
  論文  参考訳（メタデータ） (2021-10-04T13:09:56Z)
• Joint Distribution Alignment via Adversarial Learning for Domain Adaptive Object Detection [11.262560426527818]
  教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。 近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。 上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
  論文  参考訳（メタデータ） (2021-09-19T00:27:08Z)
• 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)
• Adversarial Training Based Multi-Source Unsupervised Domain Adaptation for Sentiment Analysis [19.05317868659781]
  感情分析のためのマルチソース領域適応手法に基づく2つの伝達学習フレームワークを提案する。 最初のフレームワークは、新しいWeighting Schemeベースのunsupervised Domain Adaptation framework (WS-UDA)で、ソース分類器を組み合わせてターゲットインスタンスの擬似ラベルを取得する。 2つめのフレームワークは、2段階トレーニングベースの教師なしドメイン適応フレームワーク(2ST-UDA)である。
  論文  参考訳（メタデータ） (2020-06-10T01:41:00Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)

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。