論文の概要: PAC-Bayesian Domain Adaptation Bounds for Multi-view learning
- arxiv url: http://arxiv.org/abs/2401.01048v1
- Date: Tue, 2 Jan 2024 06:00:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 14:48:14.699021
- Title: PAC-Bayesian Domain Adaptation Bounds for Multi-view learning
- Title(参考訳): 多視点学習のためのPAC-Bayesian領域適応境界
- Authors: Mehdi Hennequin and Khalid Benabdeslem and Haytham Elghazel
- Abstract要約: 2つのパラダイムを統合するために、パック・ベイズ理論との一般化境界の解析を提案する。
マルチビュー領域適応設定に適した新しい距離を導入する。
そして、導入した発散を推定するためにパック・ベイズ境界を与える。
- 参考スコア(独自算出の注目度): 0.9438207505148947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a series of new results for domain adaptation in the
multi-view learning setting. The incorporation of multiple views in the domain
adaptation was paid little attention in the previous studies. In this way, we
propose an analysis of generalization bounds with Pac-Bayesian theory to
consolidate the two paradigms, which are currently treated separately. Firstly,
building on previous work by Germain et al., we adapt the distance between
distribution proposed by Germain et al. for domain adaptation with the concept
of multi-view learning. Thus, we introduce a novel distance that is tailored
for the multi-view domain adaptation setting. Then, we give Pac-Bayesian bounds
for estimating the introduced divergence. Finally, we compare the different new
bounds with the previous studies.
- Abstract(参考訳): 本稿では,多視点学習環境におけるドメイン適応に関する一連の新しい結果について述べる。
ドメイン適応における複数の視点の組み入れは,これまでの研究ではほとんど注目されなかった。
このようにして,pac-ベイズ理論を用いた一般化境界の解析を行い,現在別々に扱われている2つのパラダイムを統合する。
まず、Germainらによる以前の研究に基づいて、Germainらによって提案された分布間の距離を多視点学習の概念によるドメイン適応に適用する。
そこで我々は,マルチビュー領域適応設定に適した新しい距離を導入する。
次に、導入された発散を推定するためにpac-ベイズ境界を与える。
最後に、異なる新しい境界を以前の研究と比較する。
関連論文リスト
- Multi-View Majority Vote Learning Algorithms: Direct Minimization of PAC-Bayesian Bounds [0.8039067099377079]
我々は PAC-Bayesian 理論を多視点学習に拡張し、R'enyi divergence に基づいた新しい一般化境界を導入する。
これらの境界は、R'enyi の発散の柔軟性を生かして、伝統的な Kullback-Leibler の発散に基づく代替となる。
また,第1次および第2次オラクルPAC-Bayesian境界を提案し,Cバウンドをマルチビュー設定に拡張する。
論文 参考訳(メタデータ) (2024-11-09T20:25:47Z) - Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。
本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。
提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2023-11-22T09:18:49Z) - NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。
本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。
テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
論文 参考訳(メタデータ) (2023-07-25T13:35:45Z) - Cross Contrasting Feature Perturbation for Domain Generalization [11.863319505696184]
ドメインの一般化は、目に見えないターゲットドメインをうまく一般化するソースドメインから堅牢なモデルを学ぶことを目的としています。
近年の研究では、ソースドメインに相補的な分布を多様化するための新しいドメインサンプルや特徴の生成に焦点が当てられている。
ドメインシフトをシミュレートするオンラインワンステージクロスコントラスト機能摂動フレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-24T03:27:41Z) - Delving into the Continuous Domain Adaptation [12.906272389564593]
既存のドメイン適応法では、ドメインの相違はいくつかの異なる属性とバリエーションによって生じると仮定している。
これは現実的なものではなく、いくつかの離散属性を使って現実世界のデータセットを定義することは不可能である、と我々は主張する。
継続的ドメイン適応という新しい問題について検討する。
論文 参考訳(メタデータ) (2022-08-28T02:32:25Z) - PAC-Bayesian Domain Adaptation Bounds for Multiclass Learners [13.33450619901885]
マルチクラス学習者を対象とした最初のPAC-Bayesian適応境界を提案する。
Gibbs予測器に依存する発散に対して、追加のPAC-ベイズ適応境界を提案する。
我々はニューラルネットワークを用いた共通適応アルゴリズムの解析に境界を適用した。
論文 参考訳(メタデータ) (2022-07-12T17:07:59Z) - Contrast and Mix: Temporal Contrastive Video Domain Adaptation with
Background Mixing [55.73722120043086]
Contrast and Mix(CoMix)は、教師なしビデオドメイン適応のための識別的不変な特徴表現を学習することを目的とした、新しいコントラスト学習フレームワークである。
まず,2つの異なる速度でラベル付きビデオの符号化表現の類似性を最大化することにより,時間的コントラスト学習を用いてドメインギャップをブリッジする。
第2に,両ドメイン間で共有されるアクションセマンティクスを活用するために,アンカー毎の肯定的な追加を可能にするバックグラウンドミキシングを用いることにより,時間的コントラスト損失の新たな拡張を提案する。
論文 参考訳(メタデータ) (2021-10-28T14:03:29Z) - Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。
本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。
我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
論文 参考訳(メタデータ) (2020-07-17T22:05:09Z) - Unsupervised Domain Adaptation with Progressive Domain Augmentation [34.887690018011675]
本稿では,プログレッシブドメイン拡張に基づく新規な教師なしドメイン適応手法を提案する。
提案手法は、仮想中間ドメインをドメインを介して生成し、ソースドメインを徐々に拡張し、ソースターゲット領域の分岐をブリッジする。
本研究では,複数の領域適応タスクについて実験を行い,提案手法が最先端の性能を達成することを示す。
論文 参考訳(メタデータ) (2020-04-03T18:45:39Z) - 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) - Domain Adaptation: Learning Bounds and Algorithms [80.85426994513541]
本稿では,任意の損失関数を持つ適応問題に適した分布距離,差分距離を新たに導入する。
広い損失関数族に対する領域適応のための新しい一般化境界を導出する。
また、正規化に基づくアルゴリズムの大規模クラスに対する新しい適応境界も提示する。
論文 参考訳(メタデータ) (2009-02-19T18:42:16Z)
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。