論文の概要: Guidance Not Obstruction: A Conjugate Consistent Enhanced Strategy for Domain Generalization

• arxiv url: http://arxiv.org/abs/2412.10089v1
• Date: Fri, 13 Dec 2024 12:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:02:40.743718
• Title: Guidance Not Obstruction: A Conjugate Consistent Enhanced Strategy for Domain Generalization
• Title（参考訳）: 指導を妨害しない: ドメイン・ジェネリゼーションのための共役的統一戦略
• Authors: Meng Cao, Songcan Chen,
• Abstract要約: ドメイン内のクラス間での差別的一般化の獲得が不可欠である。 分布の整合性を求めるのとは対照的に、ドメイン関係の階級間差別を保護しようと努力する。 我々は,新たな分布レベルのUniversum戦略を用いて,追加的なドメイン関係のクラス条件分布を生成する。
• 参考スコア（独自算出の注目度）: 50.04665252665413
• License:
• Abstract: Domain generalization addresses domain shift in real-world applications. Most approaches adopt a domain angle, seeking invariant representation across domains by aligning their marginal distributions, irrespective of individual classes, naturally leading to insufficient exploration of discriminative information. Switching to a class angle, we find that multiple domain-related peaks or clusters within the same individual classes must emerge due to distribution shift. In other words, marginal alignment does not guarantee conditional alignment, leading to suboptimal generalization. Therefore, we argue that acquiring discriminative generalization between classes within domains is crucial. In contrast to seeking distribution alignment, we endeavor to safeguard domain-related between-class discrimination. To this end, we devise a novel Conjugate Consistent Enhanced Module, namely Con2EM, based on a distribution over domains, i.e., a meta-distribution. Specifically, we employ a novel distribution-level Universum strategy to generate supplementary diverse domain-related class-conditional distributions, thereby enhancing generalization. This allows us to resample from these generated distributions to provide feedback to the primordial instance-level classifier, further improving its adaptability to the target-agnostic. To ensure generation accuracy, we establish an additional distribution-level classifier to regularize these conditional distributions. Extensive experiments have been conducted to demonstrate its effectiveness and low computational cost compared to SOTAs.
• Abstract（参考訳）: ドメイン一般化は、現実世界のアプリケーションにおけるドメインシフトに対処する。 ほとんどのアプローチでは、個々のクラスによらず、境界分布を整列させることにより、ドメイン間の不変表現を求め、自然界において識別情報の探索が不十分となる。 クラスアングルに切り替えると、同じクラス内の複数のドメイン関連ピークやクラスタが分布シフトによって出現しなければならないことが分かる。 言い換えれば、境界アライメントは条件付きアライメントを保証せず、最適部分一般化をもたらす。 したがって、ドメイン内のクラス間での差別的一般化の獲得が不可欠である。 分布の整合性を求めるのとは対照的に、ドメイン関係の階級間差別を保護しようと努力する。 この目的のために,ドメイン上の分布,すなわちメタ分布に基づく新しいConjugate Consistent Enhanced Module,すなわちCon2EMを考案した。 具体的には、新たな分布レベルUniversum戦略を用いて、追加の多様なドメイン関連クラス条件分布を生成し、一般化の促進を図る。 これにより、生成された分布から再サンプリングして、初期インスタンスレベルの分類器にフィードバックを提供することで、ターゲット非依存への適応性をさらに向上することができる。 生成精度を確保するため,これらの条件分布を正規化するための分布レベル分類器を新たに構築する。 SOTAと比較して、その有効性と計算コストの低さを示す大規模な実験が実施されている。

関連論文リスト

• Discriminative Radial Domain Adaptation [62.22362756424971]
  本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。 このような固有識別構造を移行することで,特徴伝達性と識別可能性の同時向上が期待できることを示す。 提案手法は,様々なタスクに対する最先端のアプローチを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2023-01-01T10:56:31Z)
• Constrained Maximum Cross-Domain Likelihood for Domain Generalization [14.91361835243516]
  ドメインの一般化は、複数のソースドメイン上で一般化可能なモデルを学ぶことを目的としている。 本稿では,異なる領域の後方分布間のKL偏差を最小限に抑える新しい領域一般化法を提案する。 Digits-DG、PACS、Office-Home、MiniDomainNetの4つの標準ベンチマークデータセットの実験は、我々のメソッドの優れたパフォーマンスを強調している。
  論文  参考訳（メタデータ） (2022-10-09T03:41:02Z)
• Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge [22.285156929279207]
  ドメインの一般化は、目に見えないターゲットドメインでうまく機能する普遍的なモデルを学ぶことを目的としている。 We propose a novel domain generalization framework called Wasserstein Distributionally Robust Domain Generalization (WDRDG)。
  論文  参考訳（メタデータ） (2022-07-11T14:46:50Z)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• Class-conditioned Domain Generalization via Wasserstein Distributional Robust Optimization [12.10885662305154]
  複数のソースドメインが与えられた場合、ドメインの一般化は、目に見えないが関連するターゲットドメインでよく機能する普遍的なモデルを学ぶことを目的としている。 同じクラスが与えられた条件分布の変動が大きい場合、既存のアプローチは十分に堅牢ではない。 我々は、クラス条件領域の一般化問題を解決するために、分散ロバスト最適化の概念を拡張した。
  論文  参考訳（メタデータ） (2021-09-08T14:23:03Z)
• Discriminative Domain-Invariant Adversarial Network for Deep Domain Generalization [33.84004077585957]
  本稿では,ドメイン一般化のための識別型ドメイン不変逆数ネットワーク(DDIAN)を提案する。 DDIANは、最先端のドメイン一般化アプローチと比較して、トレーニング中の未確認対象データに対するより良い予測を実現している。
  論文  参考訳（メタデータ） (2021-08-20T04:24:12Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• 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)
• 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)
• Class Distribution Alignment for Adversarial Domain Adaptation [32.95056492475652]
  両領域間のサンプルのクラス分布を明示的に整合させるために, CADIT (Conditional ADversarial Image Translation) を提案する。 識別構造保存損失と連立対向生成損失を統合している。 提案手法は,最先端手法と比較して,対象領域の優れた分類を実現する。
  論文  参考訳（メタデータ） (2020-04-20T15:58:11Z)

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。