論文の概要: TACIT: A Target-Agnostic Feature Disentanglement Framework for Cross-Domain Text Classification

• arxiv url: http://arxiv.org/abs/2312.17263v1
• Date: Mon, 25 Dec 2023 02:52:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 12:51:04.873573
• Title: TACIT: A Target-Agnostic Feature Disentanglement Framework for Cross-Domain Text Classification
• Title（参考訳）: TACIT: ドメイン間テキスト分類のためのターゲット非依存型特徴分散フレームワーク
• Authors: Rui Song, Fausto Giunchiglia, Yingji Li, Mingjie Tian, Hao Xu
• Abstract要約: クロスドメインテキスト分類は、ラベルの豊富なソースドメインからラベルの少ないターゲットドメインにモデルを転送することを目的としている。 本稿では,ロバストな特徴とアンロバストな特徴を適応的に分離する対象領域特徴のアンタングル化フレームワークであるTACITを提案する。 我々のフレームワークは、ソースドメインデータのみを活用しながら、最先端のベースラインに匹敵する結果を得る。
• 参考スコア（独自算出の注目度）: 17.19214732926589
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain text classification aims to transfer models from label-rich source domains to label-poor target domains, giving it a wide range of practical applications. Many approaches promote cross-domain generalization by capturing domain-invariant features. However, these methods rely on unlabeled samples provided by the target domains, which renders the model ineffective when the target domain is agnostic. Furthermore, the models are easily disturbed by shortcut learning in the source domain, which also hinders the improvement of domain generalization ability. To solve the aforementioned issues, this paper proposes TACIT, a target domain agnostic feature disentanglement framework which adaptively decouples robust and unrobust features by Variational Auto-Encoders. Additionally, to encourage the separation of unrobust features from robust features, we design a feature distillation task that compels unrobust features to approximate the output of the teacher. The teacher model is trained with a few easy samples that are easy to carry potential unknown shortcuts. Experimental results verify that our framework achieves comparable results to state-of-the-art baselines while utilizing only source domain data.
• Abstract（参考訳）: クロスドメインテキスト分類(cross-domain text classification)は、ラベルリッチソースドメインからラベルパウダーターゲットドメインへのモデルを転送することを目的としている。 多くのアプローチはドメイン不変の特徴を捉え、ドメイン間の一般化を促進する。 しかし、これらの手法は対象ドメインが提供する未ラベルのサンプルに依存しており、対象ドメインが非依存な場合にモデルを非効率にする。 さらに、これらのモデルはソース領域でのショートカット学習によって容易に妨害され、ドメイン一般化能力の改善を妨げる。 本稿では,可変オートエンコーダによるロバスト特徴と非ロバスト特徴を適応的に分離する,対象領域非依存特徴不等角化フレームワーク tacit を提案する。 さらに,ロバストな特徴とロバストな特徴の分離を促すため,教師の出力を近似するために,ロバストな特徴を補完する特徴蒸留タスクを設計する。 教師モデルは、潜在的な未知のショートカットを運びやすいいくつかの簡単なサンプルで訓練される。 実験により,本フレームワークは,ソースドメインデータのみを活用しながら,最先端のベースラインに匹敵する結果が得られることを確認した。

関連論文リスト

• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Cross-domain error minimization for unsupervised domain adaptation [2.9766397696234996]
  教師なしのドメイン適応は、ラベル付きソースドメインから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を目的としています。 従来の手法では、特徴分布間の差を減らし、ソースエラーを最小限に抑えるために、ドメイン不変の機能を学ぶことに重点を置いていた。 学習中により正確な擬似ラベルを持つ対象サンプルを選択するためのカリキュラムベースの戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-29T02:00:29Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Surprisingly Simple Semi-Supervised Domain Adaptation with Pretraining and Consistency [93.89773386634717]
  ビジュアルドメイン適応は、異なるソースドメインで利用可能なラベルを使用して、ターゲットのビジュアルドメインからイメージを分類する学習を含む。 いくつかの目標ラベルが存在する場合、(回転予測による)自己スーパービジョンや整合正則化といった単純な手法が、適切な目標分類器を学習するための対角アライメントなしで有効であることを示す。 我々の事前学習と一貫性(PAC)アプローチは、この半教師付きドメイン適応タスクにおいて、複数のデータセットにまたがる複数の対向的なドメインアライメント手法を超越して、技術精度を達成することができる。
  論文  参考訳（メタデータ） (2021-01-29T18:40:17Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)

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。