論文の概要: Sparse Domain Transfer via Elastic Net Regularization

• arxiv url: http://arxiv.org/abs/2405.07489v1
• Date: Mon, 13 May 2024 06:08:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 14:44:50.721074
• Title: Sparse Domain Transfer via Elastic Net Regularization
• Title（参考訳）: 弾性ネット規則化によるスパースドメイン転送
• Authors: Jingwei Zhang, Farzan Farnia,
• Abstract要約: 異なるドメインにまたがるサンプルの移動は、いくつかの機械学習問題において中心的なタスクである。 スパース分布伝達問題に対処するため, EROT(Elastic Net Optimal Transport)を提案する。 この結果から,疎領域輸送マップの同定におけるENOTフレームワークの成功が示唆された。
• 参考スコア（独自算出の注目度）: 12.704309626123546
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transportation of samples across different domains is a central task in several machine learning problems. A sensible requirement for domain transfer tasks in computer vision and language domains is the sparsity of the transportation map, i.e., the transfer algorithm aims to modify the least number of input features while transporting samples across the source and target domains. In this work, we propose Elastic Net Optimal Transport (ENOT) to address the sparse distribution transfer problem. The ENOT framework utilizes the $L_1$-norm and $L_2$-norm regularization mechanisms to find a sparse and stable transportation map between the source and target domains. To compute the ENOT transport map, we consider the dual formulation of the ENOT optimization task and prove that the sparsified gradient of the optimal potential function in the ENOT's dual representation provides the ENOT transport map. Furthermore, we demonstrate the application of the ENOT framework to perform feature selection for sparse domain transfer. We present the numerical results of applying ENOT to several domain transfer problems for synthetic Gaussian mixtures and real image and text data. Our empirical results indicate the success of the ENOT framework in identifying a sparse domain transport map.
• Abstract（参考訳）: 異なるドメインにまたがるサンプルの移動は、いくつかの機械学習問題において中心的なタスクである。 コンピュータビジョンと言語領域におけるドメイン転送タスクの適切な要件は、転送マップの幅であり、すなわち、転送アルゴリズムは、ソースとターゲットドメインをまたいでサンプルを輸送しながら、最小限の入力特徴を変更することを目的としている。 本研究では,スパース分布伝達問題に対処するため,EROT(Elastic Net Optimal Transport)を提案する。 ENOTフレームワークは、$L_1$-normと$L_2$-norm正規化メカニズムを使用して、ソースとターゲットドメインの間のスパースで安定したトランスポートマップを見つける。 ENOTトランスポートマップを計算するために、ENOT最適化タスクの双対定式化を検討し、ENOTの双対表現における最適ポテンシャル関数のスパース化勾配がENOTトランスポートマップを提供することを示す。 さらに、スパースドメイン転送のための特徴選択を行うためのENOTフレームワークの適用を実演する。 合成ガウス混合および実画像およびテキストデータに対するENOTをいくつかの領域転送問題に適用した数値結果を示す。 実験結果から,スパースドメイントランスポートマップの同定におけるENOTフレームワークの成功が示唆された。

関連論文リスト

• Optimal Transport for Domain Adaptation through Gaussian Mixture Models [7.292229955481438]
  本稿では,ガウス混合モデルを用いてデータ分布をモデル化する手法を提案する。 最適なトランスポートソリューションは、ソースとターゲットドメインの混合コンポーネントのマッチングを提供します。 断層診断における2つの領域適応ベンチマークを用いて,本手法の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-03-18T09:32:33Z)
• InfoOT: Information Maximizing Optimal Transport [58.72713603244467]
  InfoOTは最適な輸送の情報理論の拡張である。 幾何学的距離を最小化しながら、ドメイン間の相互情報を最大化する。 この定式化は、外れ値に対して堅牢な新しい射影法をもたらし、目に見えないサンプルに一般化する。
  論文  参考訳（メタデータ） (2022-10-06T18:55:41Z)
• Fast OT for Latent Domain Adaptation [25.915629674463286]
  本稿では,最適輸送理論を検証可能かつ実装可能な解を用いて,最適な潜在特徴表現を学習するアルゴリズムを提案する。 これは、サンプルをターゲットドメインからソースドメインの配布に転送するコストを最小化することで達成される。
  論文  参考訳（メタデータ） (2022-10-02T10:25:12Z)
• Asymmetric Transfer Hashing with Adaptive Bipartite Graph Learning [95.54688542786863]
  既存のハッシュ法では、クエリと検索サンプルは同じドメイン内の同質な特徴空間にあると仮定する。 教師なし/半教師付き/教師付き実現のための非対称トランスファーハッシュ(ATH)フレームワークを提案する。 非対称ハッシュ関数と二部グラフを共同最適化することにより、知識伝達が達成できるだけでなく、特徴アライメントによる情報損失も回避できる。
  論文  参考訳（メタデータ） (2022-06-25T08:24:34Z)
• Connecting adversarial attacks and optimal transport for domain adaptation [116.50515978657002]
  ドメイン適応では、ソースドメインのサンプルに基づいてトレーニングされた分類器をターゲットドメインに適応させることが目標である。 提案手法では,最適なトランスポートを用いて,対象のサンプルをソース・フィクションという名前のドメインにマッピングする。 我々の主なアイデアは、ターゲットドメイン上のc-環状モノトン変換によってソースフィクションを生成することである。
  論文  参考訳（メタデータ） (2022-05-30T20:45:55Z)
• OTCE: A Transferability Metric for Cross-Domain Cross-Task Representations [6.730043708859326]
  OTCE (Optimal Transport based Conditional Entropy) と呼ばれる移動性指標を提案する。 otceはトランスファビリティをドメインの違いとタスクの違いの組み合わせとして特徴づけ、それらを統一されたフレームワークのデータから明示的に評価する。 最大のクロスドメインデータセットであるDomainNetとOffice31の実験では、OTCEが地上の真実転送精度と相関して平均21%の利得を示した。
  論文  参考訳（メタデータ） (2021-03-25T13:51:33Z)
• 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)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)
• 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。