論文の概要: Adaptive Meta-Domain Transfer Learning (AMDTL): A Novel Approach for Knowledge Transfer in AI

• arxiv url: http://arxiv.org/abs/2409.06800v1
• Date: Tue, 10 Sep 2024 18:11:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 17:07:53.282714
• Title: Adaptive Meta-Domain Transfer Learning (AMDTL): A Novel Approach for Knowledge Transfer in AI
• Title（参考訳）: Adaptive Meta-Domain Transfer Learning (AMDTL):AIにおける知識伝達の新しいアプローチ
• Authors: Michele Laurelli,
• Abstract要約: AMDTLは、ドメインのミスアライメント、負の転送、破滅的な忘れなど、トランスファーラーニングの主な課題に対処することを目的としている。 このフレームワークは、タスクの多様な分散に訓練されたメタラーナー、ドメインの特徴分布を整合させる敵のトレーニング技術、動的特徴制御機構を統合している。 ベンチマークデータセットによる実験結果から,AMDTLは既存の移動学習手法よりも精度,適応効率,堅牢性に優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents Adaptive Meta-Domain Transfer Learning (AMDTL), a novel methodology that combines principles of meta-learning with domain-specific adaptations to enhance the transferability of artificial intelligence models across diverse and unknown domains. AMDTL aims to address the main challenges of transfer learning, such as domain misalignment, negative transfer, and catastrophic forgetting, through a hybrid framework that emphasizes both generalization and contextual specialization. The framework integrates a meta-learner trained on a diverse distribution of tasks, adversarial training techniques for aligning domain feature distributions, and dynamic feature regulation mechanisms based on contextual domain embeddings. Experimental results on benchmark datasets demonstrate that AMDTL outperforms existing transfer learning methodologies in terms of accuracy, adaptation efficiency, and robustness. This research provides a solid theoretical and practical foundation for the application of AMDTL in various fields, opening new perspectives for the development of more adaptable and inclusive AI systems.
• Abstract（参考訳）: 本稿では、メタ学習の原則とドメイン固有の適応を組み合わせ、多種多様な未知のドメインにわたる人工知能モデルの伝達可能性を高める新しい方法論である適応メタドメイン変換学習(AMDTL)を提案する。 AMDTLは、一般化と文脈特化の両方を強調するハイブリッドフレームワークを通じて、ドメインのミスアライメント、負の移動、破滅的な忘れなど、トランスファーラーニングの主な課題に対処することを目的としている。 このフレームワークは、タスクの多様な分布に基づいて訓練されたメタラーナー、ドメインの特徴分布を整合させる敵の訓練技術、コンテキストのドメイン埋め込みに基づく動的な特徴制御機構を統合する。 ベンチマークデータセットによる実験結果から,AMDTLは既存の移動学習手法よりも精度,適応効率,堅牢性に優れていた。 この研究は、AMDTLを様々な分野に適用するためのしっかりとした理論的で実践的な基盤を提供し、より適応的で包括的なAIシステムを開発するための新たな視点を開拓する。

関連論文リスト

• MDDD: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition [11.252832459891566]
  動的分布を用いたマニフォールド型ドメイン適応法(MDDD)を提案する。 実験の結果,MDDDは従来の非深層学習法よりも優れ,平均3.54%の改善が達成された。 これは、MDDDが現実のシナリオにおけるABCIの有用性と適用性を高めるための有望な方法である可能性を示唆している。
  論文  参考訳（メタデータ） (2024-04-24T03:08:25Z)
• Domain Generalization through Meta-Learning: A Survey [6.524870790082051]
  ディープニューラルネットワーク(DNN)は人工知能に革命をもたらしたが、アウト・オブ・ディストリビューション(OOD)データに直面すると、しばしばパフォーマンスが低下する。 本調査はメタラーニングの領域を掘り下げ,ドメインの一般化への貢献に焦点をあてたものである。
  論文  参考訳（メタデータ） (2024-04-03T14:55:17Z)
• Towards Subject Agnostic Affective Emotion Recognition [8.142798657174332]
  脳波信号による脳-コンピュータインタフェース(aBCI)の不安定性 本稿では,メタラーニングに基づくメタドメイン適応手法を提案する。 提案手法は,パブリックなaBICsデータセットの実験において有効であることが示されている。
  論文  参考訳（メタデータ） (2023-10-20T23:44:34Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Interpretations of Domain Adaptations via Layer Variational Analysis [10.32456826351215]
  本研究は,Deep Learningにおける伝達学習理論を定式化するために,形式的導出と解析の両方を確立する。 階層変動解析を利用した枠組みは, 転送学習の成功を, 対応するデータ条件で保証できることを証明している。 我々の理論計算は知識伝達過程に対する直観的な解釈をもたらす。
  論文  参考訳（メタデータ） (2023-02-03T15:10:17Z)
• Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
  半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。 SSDAのための多レベル一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-09T06:41:18Z)
• Heterogeneous Domain Adaptation with Adversarial Neural Representation Learning: Experiments on E-Commerce and Cybersecurity [7.748670137746999]
  Heterogeneous Adversarial Neural Domain Adaptation (HANDA) は異種環境における伝達性を最大化するように設計されている。 画像とテキストの電子商取引ベンチマークを用いて,最先端HDA手法に対する性能評価を3つの実験により行った。
  論文  参考訳（メタデータ） (2022-05-05T16:57:36Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• 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)
• Latent-Optimized Adversarial Neural Transfer for Sarcasm Detection [50.29565896287595]
  サーカズム検出のための共通データセットを活用するために,転送学習を適用する。 異なる損失が互いに対応できる汎用的な潜時最適化戦略を提案します。 特に、isarcasmデータセットの以前の状態よりも10.02%の絶対性能向上を達成している。
  論文  参考訳（メタデータ） (2021-04-19T13:07:52Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)

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。