論文の概要: Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2401.11448v1
- Date: Sun, 21 Jan 2024 09:57:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 16:19:08.208117
- Title: Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation
- Title（参考訳）: 半監督領域適応のための適応的相互性クラスタリング
- Authors: Jichang Li, Guanbin Li, Yizhou Yu
- Abstract要約: 分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。
提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
- 参考スコア（独自算出の注目度）: 108.40945109477886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compared to unsupervised domain adaptation, semi-supervised domain adaptation
(SSDA) aims to significantly improve the classification performance and
generalization capability of the model by leveraging the presence of a small
amount of labeled data from the target domain. Several SSDA approaches have
been developed to enable semantic-aligned feature confusion between labeled (or
pseudo labeled) samples across domains; nevertheless, owing to the scarcity of
semantic label information of the target domain, they were arduous to fully
realize their potential. In this study, we propose a novel SSDA approach named
Graph-based Adaptive Betweenness Clustering (G-ABC) for achieving categorical
domain alignment, which enables cross-domain semantic alignment by mandating
semantic transfer from labeled data of both the source and target domains to
unlabeled target samples. In particular, a heterogeneous graph is initially
constructed to reflect the pairwise relationships between labeled samples from
both domains and unlabeled ones of the target domain. Then, to degrade the
noisy connectivity in the graph, connectivity refinement is conducted by
introducing two strategies, namely Confidence Uncertainty based Node Removal
and Prediction Dissimilarity based Edge Pruning. Once the graph has been
refined, Adaptive Betweenness Clustering is introduced to facilitate semantic
transfer by using across-domain betweenness clustering and within-domain
betweenness clustering, thereby propagating semantic label information from
labeled samples across domains to unlabeled target data. Extensive experiments
on three standard benchmark datasets, namely DomainNet, Office-Home, and
Office-31, indicated that our method outperforms previous state-of-the-art SSDA
approaches, demonstrating the superiority of the proposed G-ABC algorithm.
- Abstract（参考訳）: 教師なしドメイン適応と比較して、半教師付きドメイン適応(SSDA)は、ターゲットドメインからの少量のラベル付きデータの存在を利用して、モデルの分類性能と一般化能力を大幅に向上することを目的としている。
ドメイン間のラベル付き(または擬似ラベル付き)サンプル間のセマンティクスアライメントを可能にするために、いくつかのssmaアプローチが開発されているが、ターゲットドメインのセマンティクスラベル情報が不足しているため、彼らはその可能性を十分に実現できなかった。
本研究では,ソース領域とターゲット領域の両方のラベル付きデータからラベル付き対象サンプルへの意味的伝達を制御し,クロスドメインな意味的アライメントを可能にする,カテゴリ的ドメインアライメントを実現するためのグラフベース適応的中間性クラスタリング(g-abc)という新しいsssa手法を提案する。
特に、ヘテロジニアスグラフは、まず、両方の領域からラベル付きサンプルと対象領域のラベル付きサンプルの間のペアワイズ関係を反映して構築される。
次に、グラフ内のノイズの多い接続性を低下させるために、信頼不確実性に基づくノード削除と予測異性に基づくエッジプルーニングという2つの戦略を導入することで、接続性の向上を行う。
グラフが洗練されると、アダプティブ・インターフェクション・クラスタリング(adaptive betweenness clustering)が導入され、ドメイン間インターフェクション・クラスタリングとドメイン内インターフェクト・クラスタリング(intra-domain between clustering)を使用して意味的転送が容易になり、それによってラベル付きサンプルからラベル付き対象データへの意味的ラベル情報を伝播する。
DomainNet, Office-Home, Office-31という3つの標準ベンチマークデータセットに対する大規模な実験により,提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
関連論文リスト
- Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。
既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。
本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
論文 参考訳（メタデータ） (2024-01-21T10:20:46Z) - Polycentric Clustering and Structural Regularization for Source-free
Unsupervised Domain Adaptation [20.952542421577487]
Source-Free Domain Adaptation (SFDA)は、訓練済みのソースモデルから学習した知識を未確認のターゲットドメインに転送することで、ドメイン適応問題を解決することを目的としている。
既存のほとんどのメソッドは、機能プロトタイプを生成することによって、ターゲットデータに擬似ラベルを割り当てる。
本稿では,PCSRと命名された新しいフレームワークを,クラス内多中心クラスタリングおよび構造規則化戦略を通じてSFDAに取り組むために提案する。
論文 参考訳（メタデータ） (2022-10-14T02:20:48Z) - 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) - Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。
この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-04-19T16:07:32Z) - 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) - 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) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。