論文の概要: Reducing Source-Private Bias in Extreme Universal Domain Adaptation

• arxiv url: http://arxiv.org/abs/2410.11271v1
• Date: Tue, 15 Oct 2024 04:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:01:39.484139
• Title: Reducing Source-Private Bias in Extreme Universal Domain Adaptation
• Title（参考訳）: 極大ユニバーサルドメイン適応におけるソースプリベートバイアスの低減
• Authors: Hung-Chieh Fang, Po-Yi Lu, Hsuan-Tien Lin,
• Abstract要約: Universal Domain Adaptation (UniDA)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に知識を転送することを目的としている。 我々は、ソースドメインが重複するクラスよりもはるかに重複しないクラスを持つ場合、最先端のメソッドが苦労していることを示す。 対象データの構造を保存するために,自己教師付き学習を提案する。
• 参考スコア（独自算出の注目度）: 11.875619863954238
• License:
• Abstract: Universal Domain Adaptation (UniDA) aims to transfer knowledge from a labeled source domain to an unlabeled target domain without assuming how much the label-sets of the two domains intersect. The goal of UniDA is to achieve robust performance on the target domain across different intersection levels. However, existing literature has not sufficiently explored performance under extreme intersection levels. Our experiments reveal that state-of-the-art methods struggle when the source domain has significantly more non-overlapping classes than overlapping ones, a setting we refer to as Extreme UniDA. In this paper, we demonstrate that classical partial domain alignment, which focuses on aligning only overlapping-class data between domains, is limited in mitigating the bias of feature extractors toward source-private classes in extreme UniDA scenarios. We argue that feature extractors trained with source supervised loss distort the intrinsic structure of the target data due to the inherent differences between source-private classes and the target data. To mitigate this bias, we propose using self-supervised learning to preserve the structure of the target data. Our approach can be easily integrated into existing frameworks. We apply the proposed approach to two distinct training paradigms-adversarial-based and optimal-transport-based-and show consistent improvements across various intersection levels, with significant gains in extreme UniDA settings.
• Abstract（参考訳）: Universal Domain Adaptation (UniDA) 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を、2つのドメインのラベルセットがどの程度交わるかを仮定せずに目的とする。 UniDAの目標は、異なる交差点レベルにわたるターゲットドメインで堅牢なパフォーマンスを達成することである。 しかし、既存の文献は、極端な交差レベル下では十分に調査されていない。 我々の実験では、ソースドメインが重なり合うクラスよりもはるかに非重複なクラスを持つ場合、最先端のメソッドが苦労していることが判明した。 本稿では,ドメイン間の重なり合うクラスデータのみの整合性に着目した古典的部分整合性を示す。 我々は,ソース管理損失で訓練された特徴抽出器が,ソースプライベートクラスとターゲットデータに固有の違いがあるため,対象データ固有の構造を歪めてしまうことを論じる。 このバイアスを軽減するために、ターゲットデータの構造を保存するために自己教師付き学習を提案する。 私たちのアプローチは、既存のフレームワークに簡単に統合できます。 提案手法は,2つの異なる訓練パラダイムと,最適トランスポートベースに応用し,様々な交差点レベルにおける一貫した改善を示すとともに,極端なUniDA設定において顕著な向上を示した。

関連論文リスト

• Universal Semi-Supervised Domain Adaptation by Mitigating Common-Class Bias [16.4249819402209]
  我々はUniversal Semi-Supervised Domain Adaptation (UniSSDA)を紹介する。 UniSSDAはUniversal Domain Adaptation (UniDA)とSemi-Supervised Domain Adaptation (SSDA)の交差点にある 疑似ラベルによる共通クラスバイアスの強化を抑えるための,事前誘導型擬似ラベル改善戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-17T14:43:47Z)
• MLNet: Mutual Learning Network with Neighborhood Invariance for Universal Domain Adaptation [70.62860473259444]
  ユニバーサルドメイン適応(UniDA)は実用的だが難しい問題である。 既存のUniDAメソッドは、ターゲットドメイン内のドメイン内バリエーションを見落としている問題に悩まされる可能性がある。 そこで我々は,UniDA の近傍不変性を考慮した新しい相互学習ネットワーク (MLNet) を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:34Z)
• SUG: Single-dataset Unified Generalization for 3D Point Cloud Classification [44.27324696068285]
  トレーニング済みのソースモデルが直面する予期せぬ領域差を軽減するために,単一データセット統一一般化(SUG)フレームワークを提案する。 具体的には、まず、学習した表現をドメインに依存しない識別性に制約できるマルチグラニュアルサブドメインアライメント(MSA)法を設計する。 次にSDA(Sample-level Domain-Aware Attention)戦略を示し、異なるサブドメインから簡単に適応できるサンプルを選択的に強化する。
  論文  参考訳（メタデータ） (2023-05-16T04:36:04Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Joint Distribution Alignment via Adversarial Learning for Domain Adaptive Object Detection [11.262560426527818]
  教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。 近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。 上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
  論文  参考訳（メタデータ） (2021-09-19T00:27:08Z)
• 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)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)
• Dual Mixup Regularized Learning for Adversarial Domain Adaptation [19.393393465837377]
  教師なしドメイン適応のための二重混合正規化学習(DMRL)法を提案する。 DMRLは、サンプル間の一貫した予測を強化するために分類器をガイドし、潜在空間の内在構造を豊かにする。 4つのドメイン適応ベンチマークに関する一連の実証研究は、我々のアプローチが最先端を実現することを実証している。
  論文  参考訳（メタデータ） (2020-07-07T00:24:14Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。