論文の概要: On f-Divergence Principled Domain Adaptation: An Improved Framework
- arxiv url: http://arxiv.org/abs/2402.01887v1
- Date: Fri, 2 Feb 2024 20:22:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 23:42:03.463913
- Title: On f-Divergence Principled Domain Adaptation: An Improved Framework
- Title(参考訳): f-divergence Principled Domain Adaptation: 改良されたフレームワーク
- Authors: Ziqiao Wang, Yongyi Mao
- Abstract要約: 教師なしドメイン適応(UDA)は、機械学習における分散シフトに対処する上で重要な役割を果たす。
本研究は,f偏差に基づく相違性を改善することにより,UDAの理論的基礎を改善するものである。
また、新しい目標誤差とサンプル複雑性境界をもたらす新しい測度 f-DD も導入する。
- 参考スコア(独自算出の注目度): 41.25859594345433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation (UDA) plays a crucial role in addressing
distribution shifts in machine learning. In this work, we improve the
theoretical foundations of UDA proposed by Acuna et al. (2021) by refining
their f-divergence-based discrepancy and additionally introducing a new
measure, f-domain discrepancy (f-DD). By removing the absolute value function
and incorporating a scaling parameter, f-DD yields novel target error and
sample complexity bounds, allowing us to recover previous KL-based results and
bridging the gap between algorithms and theory presented in Acuna et al.
(2021). Leveraging a localization technique, we also develop a fast-rate
generalization bound. Empirical results demonstrate the superior performance of
f-DD-based domain learning algorithms over previous works in popular UDA
benchmarks.
- Abstract(参考訳): 教師なしドメイン適応(UDA)は、機械学習における分散シフトに対処する上で重要な役割を果たす。
本研究では, acuna et al. (2021) が提案した uda の理論的基礎を改良し, f-divergence-based discrepancy を改良し,さらに f-domain discrepancy (f-dd) を新たに導入した。
絶対値関数を取り除き、スケーリングパラメータを組み込むことで、f-ddは新しいターゲットエラーとサンプル複雑性境界を生じさせ、以前のklベースの結果を復元し、acuna et al. (2021)で示されたアルゴリズムと理論のギャップを埋めることができる。
また,ローカライズ手法を応用し,高速一般化手法を開発した。
実証実験の結果,従来のUDAベンチマークよりもf-DDベースのドメイン学習アルゴリズムの方が優れた性能を示した。
関連論文リスト
- Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。
オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-07-30T11:38:46Z) - 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) - Domain-aware Triplet loss in Domain Generalization [0.0]
ドメインシフトは、テストとトレーニングデータの分布の相違によって引き起こされる。
ドメイン一般化のためのドメイン認識三重項損失を設計し、モデルが類似のセマンティックな特徴をクラスタリングするのを助ける。
本アルゴリズムは,埋め込み空間におけるドメイン情報を分散するように設計されている。
論文 参考訳(メタデータ) (2023-03-01T14:02:01Z) - Revisiting Deep Subspace Alignment for Unsupervised Domain Adaptation [42.16718847243166]
Unsupervised domain adapt (UDA) 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への知識の転送と適応を目的としている。
伝統的に、部分空間に基づく手法はこの問題に対する重要な解のクラスを形成する。
本稿では,UDAにおける部分空間アライメントの利用を再検討し,一貫した一般化をもたらす新しい適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-01-05T20:16:38Z) - Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。
私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。
この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-11-27T07:36:32Z) - f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。
領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
論文 参考訳(メタデータ) (2021-06-21T18:21:09Z) - Learning Invariant Representations and Risks for Semi-supervised Domain
Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。
共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文 参考訳(メタデータ) (2020-10-09T15:42:35Z) - Feature Alignment and Restoration for Domain Generalization and
Adaptation [93.39253443415392]
クロスドメイン機能アライメントは、ドメイン不変表現を学ぶために、異なるドメインの特徴分布を抽出するために広く研究されてきた。
本稿では,FAR(Feature Alignment and Restoration)と呼ばれる統合フレームワークを提案する。
複数の分類ベンチマークの実験は、ドメインの一般化と教師なしドメインの適応の両方のためのFARフレームワークの性能と強力な一般化を実証している。
論文 参考訳(メタデータ) (2020-06-22T05:08:13Z)
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。