論文の概要: Progressive Conservative Adaptation for Evolving Target Domains

• arxiv url: http://arxiv.org/abs/2402.04573v1
• Date: Wed, 7 Feb 2024 04:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 16:55:17.968869
• Title: Progressive Conservative Adaptation for Evolving Target Domains
• Title（参考訳）: 進化するターゲットドメインに対する進歩的保守的適応
• Authors: Gangming Zhao, Chaoqi Chen, Wenhao He, Chengwei Pan, Chaowei Fang, Jinpeng Li, Xilin Chen, and Yizhou Yu
• Abstract要約: 従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。 このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。 我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 76.9274842289221
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Conventional domain adaptation typically transfers knowledge from a source domain to a stationary target domain. However, in many real-world cases, target data usually emerge sequentially and have continuously evolving distributions. Restoring and adapting to such target data results in escalating computational and resource consumption over time. Hence, it is vital to devise algorithms to address the evolving domain adaptation (EDA) problem, \emph{i.e.,} adapting models to evolving target domains without access to historic target domains. To achieve this goal, we propose a simple yet effective approach, termed progressive conservative adaptation (PCAda). To manage new target data that diverges from previous distributions, we fine-tune the classifier head based on the progressively updated class prototypes. Moreover, as adjusting to the most recent target domain can interfere with the features learned from previous target domains, we develop a conservative sparse attention mechanism. This mechanism restricts feature adaptation within essential dimensions, thus easing the inference related to historical knowledge. The proposed PCAda is implemented with a meta-learning framework, which achieves the fast adaptation of the classifier with the help of the progressively updated class prototypes in the inner loop and learns a generalized feature without severely interfering with the historic knowledge via the conservative sparse attention in the outer loop. Experiments on Rotated MNIST, Caltran, and Portraits datasets demonstrate the effectiveness of our method.
• Abstract（参考訳）: 従来のドメイン適応は、典型的にはソースドメインから定常ターゲットドメインに知識を転送する。 しかし、現実の多くのケースでは、ターゲットデータが順次出現し、連続的に分布が変化する。 このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。 したがって、進化するドメイン適応(eda)問題、すなわち、歴史的なターゲットドメインにアクセスせずに進化するターゲットドメインにモデルを適用するために、アルゴリズムを考案することが不可欠である。 この目的を達成するために,progressive conservative adapt (pcada) という,単純かつ効果的なアプローチを提案する。 従来の分布から逸脱する新たなターゲットデータを管理するため、段階的に更新されたクラスプロトタイプに基づいて分類器ヘッドを微調整する。 さらに、最新のターゲットドメインに適応することで、以前のターゲットドメインから学んだ特徴に干渉する可能性があるため、保守的なスパースアテンション機構を開発する。 このメカニズムは必須次元における特徴適応を制限し、歴史的知識に関する推論を緩和する。 提案したPCAdaはメタラーニングフレームワークを用いて実装され,段階的に更新されたクラスプロトタイプを内ループに組み込むことで分類器の高速な適応を実現し,外ループの保守的スパース・アテンションを通じて,歴史的知識に強く干渉することなく一般化された特徴を学習する。 回転したmnist, caltran, portraitsデータセットの実験により,本手法の有効性が示された。

関連論文リスト

• Recurrent Aligned Network for Generalized Pedestrian Trajectory Prediction [43.98749443981923]
  歩行者の軌道予測はコンピュータビジョンとロボット工学において重要な要素である。 従来の研究では、対象領域からの軌道データの一部をモデルに適応させることで、この問題に対処しようと試みてきた。 本稿では、ドメインアライメントによるドメインギャップを最小限に抑えるために、Recurrent Aligned Network(RAN)を導入する。
  論文  参考訳（メタデータ） (2024-03-09T06:17:09Z)
• Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection [81.703478548177]
  セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。 教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。 以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。 アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しいドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-01T01:52:28Z)
• Self-supervised Autoregressive Domain Adaptation for Time Series Data [9.75443057146649]
  教師なしドメイン適応(UDA)は、視覚アプリケーションにおけるドメインシフト問題にうまく対処している。 これらの手法は、以下の理由により時系列データのパフォーマンスが制限される可能性がある。 本稿では,これらの制約に対処するための自己監督型自己回帰ドメイン適応(SLARDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-29T08:17:23Z)
• Dynamic Feature Alignment for Semi-supervised Domain Adaptation [23.67093835143]
  本稿では,動的特徴アライメントを用いてドメイン間差とドメイン内差に対処することを提案する。 我々のアプローチは、広範囲なチューニングや逆行訓練を必要としないが、半教師付きドメイン適応のための技術の現状を著しく改善する。
  論文  参考訳（メタデータ） (2021-10-18T22:26:27Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Transformer-Based Source-Free Domain Adaptation [134.67078085569017]
  本研究では,ソースフリードメイン適応(SFDA)の課題について検討する。 我々は、FDAの一般化モデルを学ぶためのTransformer(TransDA)という、汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-28T23:06:26Z)
• 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)
• Progressive Graph Learning for Open-Set Domain Adaptation [48.758366879597965]
  ドメインシフトは、典型的にはソースとターゲットデータが異なる分布に従うときに発生する視覚認識の基本的な問題である。 本稿では、ターゲットデータにソースデータに存在しない追加のクラスを含むオープンセットドメインシフトのより現実的な問題に取り組む。 本稿では,その基礎となる条件シフトを抑制するために,エピソード学習を伴うグラフニューラルネットワークを統合したエンドツーエンドのプログレッシブグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:10:34Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。